Accuracy of Adverse Event Ascertainment in Clinical Trials for Pediatric Acute Myeloid Leukemia
Notice bibliographique
Résumé
PURPOSE: Reporting of adverse events (AEs) in clinical trials is critical to understanding treatment safety, but data on AE accuracy are limited. This study sought to determine the accuracy of AE reporting for pediatric acute myeloid leukemia clinical trials and to test whether an external electronic data source can improve reporting. METHODS: Reported AEs were evaluated on two trials, Children's Oncology Group AAML03P1 and AAML0531 arm B, with identical chemotherapy regimens but with different toxicity reporting requirements. Chart review for 12 AEs for patients enrolled in AAML0531 at 14 hospitals was the gold standard. The sensitivity and positive predictive values (PPV) of the AAML0531 AE report and AEs detected by review of Pediatric Health Information System (PHIS) billing and microbiology data were compared with chart data. RESULTS: Select AE rates from AAML03P1 and AAML0531 arm B differed significantly and correlated with the targeted toxicities of each trial. Chart abstraction was performed on 204 patients (758 courses) on AAML0531. AE report sensitivity was < 50% for eight AEs, but PPV was > 75% for six AEs. AE reports for viridans group streptococcal bacteremia, a targeted toxicity on AAML0531, had a sensitivity of 78.3% and PPV of 98.1%. PHIS billing data had higher sensitivity (> 50% for nine AEs), but lower PPV (< 75% for 10 AEs). Viridans group streptococcal detection using PHIS microbiology data had high sensitivity (92.3%) and PPV (97.3%). CONCLUSION: The current system of AE reporting for cooperative oncology group clinical trials in pediatric acute myeloid leukemia underestimates AE rates. The high sensitivity and PPV of PHIS microbiology data suggest that using external data sources may improve the accuracy of AE reporting.
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 | 0,212 | 0,704 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,004 |
| 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; les deux têtes enseignantes 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 ».