MétaCan
Menu
Retour à la cohorte
Enregistrement W2891041569 · doi:10.1200/jco.2017.35.15_suppl.e18241

Predicting the failure of randomized clinical trials in radiation oncology: What can we learn?

2017· article· en· W2891041569 sur OpenAlexaff
Timothy K. Nguyen, Eric K. Nguyen, Andrew Warner, Alexander V. Louie, David A. Palma

Notice bibliographique

RevueJournal of Clinical Oncology · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Financial Impacts of Cancer
Établissements canadiensCancer Care OntarioJuravinski Cancer CentreLondon Health Sciences Centre
Organismes subventionnairesnon disponible
Mots-clésMedicineRandomized controlled trialInterim analysisRadiation therapyOdds ratioInternal medicineClinical trialSample size determinationOncology

Résumé

récupéré en direct d'OpenAlex

e18241 Background: Although randomizedcontrolled trials (RCTs) are essential to evidence-based medicine, a significant proportion of cancer RCTs fail to complete. As RCT failure is not well understood in the field of radiation oncology, we sought to review radiotherapy RCTs to identify predictors of RCT failure. Methods: We undertook a review of the trial registry ClinicalTrials.gov to assess factors influencing the completion of RCTs involving radiotherapy. Eligible trials were registered in ClinicalTrials.gov between 09/27/2007 to 12/31/2010, included radiation (brachytherapy or external beam radiotherapy) in at least one study arm, and were closed due to either successful completion or failure to complete. Data was abstracted by two independent investigators, with discrepancies settled through consensus. Univariable and multivariable logistic regression analyses were performed to determine factors predictive of RCT failure. Results: The initial search yielded 460studies. After reviewing protocol details, 138 studies met inclusion criteria, of which 41 (30%) failed to complete. Most common reasons for RCT incompletion were: lack of accrual (59%), inadequate funding (15%), drug unavailability (7%) and interim data monitoring report recommendations (7%). The highest proportion of RCT failure was observed in the most recent era (p = 0.009), with rates increasing from 11% (1987-2006) to 39% (2009-2012). On univariable analysis, independent predictors of failure included RCTs with a surgical comparator (odds ratio [OR] of failure 6.45; p = 0.010), government sponsorship (OR 3.68; p = 0.024), inclusion of a safety endpoint (OR 3.03; p = 0.014) and study start year (OR 1.18; p = 0.030). On multivariate analysis, surgical RCTs were strongly predictive of failure (OR 7.90; p = 0.015), while behavioral RCTs were less likely to fail (OR 0.14; p = 0.047). Conclusions: Rates of RCT failure in radiation oncology are high. Trials with a surgical comparator are highly prone to failure, whereas behavioral trials are more likely to succeed. These factors can help to inform the design of future RCTs, and develop strategies to mitigate the risk of failure in future radiation RCTs that include a surgical comparator.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,653
score de la tête « metaresearch » (Gemma)0,896
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: Méthodes
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,347
Score d'incertitude au seuil0,428

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,6530,896
Méta-épidémiologie (sens strict)0,0030,004
Méta-épidémiologie (sens large)0,0150,013
Bibliométrie0,0170,022
Études des sciences et des technologies0,0020,011
Communication savante0,0170,039
Science ouverte0,0090,006
Intégrité de la recherche0,0150,011
Charge utile insuffisante (le modèle a refusé de juger)0,0100,003

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.

Tête enseignante Opus0,257
Tête enseignante GPT0,485
Écart entre enseignants0,227 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
DomaineMéthodes
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical OncologyMême sujetEconomic and Financial Impacts of CancerTravaux en français237 207