Off-Label Use of Cancer Drugs: A Benchmark Is Established
Notice bibliographique
Résumé
Off-labelprescribing,whichisbroadlydefinedastheprescribing of drugs outside of the marketing authorization determined by a licensing body such as the US Food and Drug Administration, is a controversial issue. On the pro side, off-label prescribing allows individualclinicianstomaketheultimatedecisionastowhetheror notaparticularlicenseddrugisofpotentialbenefittoanindividual patient. There are a number of circumstances in which a physician may be compelled to prescribe off label, some of which may be considered more appropriate than others. Early use of an already licensed drug in a setting that is supported by data from a newly reported randomized study, but that has not yet been vetted through the drug approval process, may be an example of a more appropriateoff-labeluse.Thismaybeparticularlysalientwhenthe approval process is slow, thus limiting access of patients and providers to effective treatments in a timely manner. Additionally, for many cancers, notably rare tumors, there may never be enough evidencetosupportalabelingindicationbecauseoftheinabilityto conduct the appropriate trial as a result of inadequate patient numbers or lack of financial incentives. Not surprisingly, a previous survey found that American oncologists do discuss off-label use with their patients and feel comfortable prescribing for offlabel indications in some circumstances. 1
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 | 0,020 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,008 |
| Communication savante | 0,009 | 0,019 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,040 | 0,044 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».