The use of early decision modelling and value of information analysis in an adaptive trial design: results from the OPTIMA preliminary study
Notice bibliographique
Résumé
The use of decision modelling early in the research and development process for new healthcare technologies may improve research efficiency. Value of information analysis (VOIA) provides a useful tool for assessing the value of conducting further research. To test the feasibility of early modelling within an adaptive randomised controlled trial (RCT), where analysis of preliminary trial data is used to inform a stop-go decision and subsequent trial design. The OPTIMA prelim trial randomised patients with early breast cancer to standard care or test-directed care using Oncotype DX. Additional testing was conducted using five alternative competing multi-parameter tests. A probabilistic decision model was built to assess the cost-effectiveness. VOIA was used to assess the optimal ongoing research strategy to inform an NHS reimbursement decision. 302 patients were randomised and available for analysis. The cost-effectiveness results suggested multi-parameter tumour testing was likely to be cost-effective. VOIA was able to prioritise tests for inclusion within the ongoing RCT despite the rapid turnaround time required for analysis. The results were highly dependent on modelling assumptions that were unavoidable early in the test development pipeline. Despite difficulties in communicating the unfamiliar concepts underpinning VOIA to the Trial Management Group, it was seen as an informative tool that influenced design decisions. Early economic decision modelling and VOIA provides a novel approach to aid the trial design decision making process. It should be considered in future research proposals as a means of improving the return on public research investment within the NHS.
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 | 0,054 | 0,360 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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; 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 ».