An Assessment of Methods to Combine Published Survival Curves
Notice bibliographique
Résumé
PURPOSE: To assess the accuracies of different techniques for combining published survival curves, for use in disease modeling applications. METHODS: Five methods were identified: 1) iterative generalized least-squares (IGLS), 2) meta-analysis of failure-time data with adjustment for covariates (MFD), 3) nonlinear regression (NLR), 4) log relative risk (LRR), and 5) weighted LRR (w-LRR). Each method was used to combine the survival curves from eight single-arm Phase II trials of chemotherapy in 918 patients with advanced non-small-cell lung cancer (NSCLC). The resulting summary curves were compared with the curve calculated from the corresponding individual patient data (IPD). RESULTS: All methods were able to produce accurate summary survival curves statistically similar to the IPD-derived curve. Maximum discrepancies ranged from 1.8% to 4.7%. MFD appeared to be the most accurate when censoring information was complete. Characteristics of the component trials that adversely affected the accuracies of the different techniques were 1) a high proportion of censored observations (MFD); 2) variability in the length of follow-up (IGLS, NLR, LRR, w-LRR); and 3) the heterogeneity of the treatment results (NLR, w-LRR). CONCLUSIONS: All methods were able to accurately reproduce summary survival curves from the published literature. The best method depends on characteristics of the data and the purpose of the analysis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,341 | 0,685 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,010 |
| Bibliométrie | 0,016 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».