Methodology for Treatment Evaluation in Patients With Cancer Metastatic to Bone
Notice bibliographique
Résumé
BACKGROUND: Patients with cancer metastatic to bone experience several adverse and clinically important skeletal-related events, including pathologic fractures, vertebral compressions with fracture, the need for surgery to treat or prevent fractures, and the need for radiation therapy for the treatment of bone pain. We present appropriate methods for describing and modeling the clinical course of skeletal-related events and comparing treatments for such events. METHODS: On the basis of data from a recently completed randomized, placebo-controlled trial involving 380 breast cancer patients with bone metastases, we tested the validity of the "events-per-person-years" method, one of the most commonly used techniques, for the analysis of skeletal-related events. We then used more robust methods of analysis that are based on fewer assumptions, including a random-effects Poisson model, and contrasted the inferences about skeletal-related event rates and treatment effects for the different analytic methods. All statistical tests were two-sided. RESULTS: The events-per-person-years analysis underestimated substantially the variation in the data and is not appropriate to summarize the incidence rate of skeletal-related events. A random-effects Poisson model did provide a valid basis for analyzing such data. CONCLUSIONS: The underestimation of variability in data associated with the use of the events-per-person-years analysis leads to unduly narrow confidence intervals for complication rates and inflated false-positive error rates in treatment comparisons. A random-effects Poisson model provides a valid, robust basis for describing the clinical course of bone complications and evaluating treatment effects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».