MétaCan
Menu
Retour à la cohorte
Enregistrement W2891429405 · doi:10.1200/jco.2016.34.15_suppl.6082

A network meta-analysis of the sequencing and types of systemic therapies with definitive radiotherapy in locally advanced squamous cell carcinoma of head and neck (LASCCHN).

2016· article· en· W2891429405 sur OpenAlexaff
Keemo Delos Santos, Katarzyna J. Jerzak, Ronak Saluja, Kelly Lien, Justin Lee, Kelvin Chan

Notice bibliographique

RevueJournal of Clinical Oncology · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensHealth Sciences CentreSunnybrook Health Science CentreUniversity of TorontoSunnybrook Hospital
Organismes subventionnairesnon disponible
Mots-clésMedicineMeta-analysisRandomized controlled trialOncologyInternal medicineRadiation therapyTaxaneSystemic therapyHead and neck squamous-cell carcinomaInduction chemotherapyMEDLINEHead and neck cancerCancerBreast cancer

Résumé

récupéré en direct d'OpenAlex

6082 Background: Many randomized controlled trials (RCTs) have evaluated definitive radiotherapy (RT) with different sequencing (induction (I+RT), concurrent (CRT), adjuvant, induction + concurrent (I+CRT)) and types of systemic therapies (chemotherapy (chemo), EGFR inhibitors) in the treatment of LASCCHN. Some therapies have not been compared directly. We performed a network meta-analysis to enable direct and indirect comparisons of all existing treatment modalities for LASCCHN simultaneously. Methods: A systematic review was conducted using MEDLINE, EMBASE, ASCO abstracts, ASTRO abstracts and Cochrane Central of Registered Trials using Cochrane methodology to identify RCTs up to February 2015 investigating sequencing or types of systemic treatments that involved the same definitive radiotherapy in the arms for the RCT. Two reviewers independently reviewed the RCTs and discrepancies were resolved either by discussion or by a third reviewer. The Parmar method was used to extract OS hazard ratios (HR). A Bayesian network meta-analysis (NMA) with random effects was constructed using WinBUGS to compare the relative efficacy of different sequencing and types of systemic therapies simultaneously. Results: Fifty-nine RCTs involving 11,991 patients and 13 different treatment strategies were identified. Selected comparisons are shown in the table. Conclusions: Our findings support that CRT remains the standard treatment for LASCCHN. Concurrent radiotherapy with an EGFR inhibitor does not confer an OS benefit for patients who are eligible for CRT (chemo). Induction taxane-based chemotherapy followed by CRT showed a strong trend for OS benefit when compared with CRT; this warrants further evaluation in RCTs. Comparisons HR 95% CrI CRT (chemo) vs. RT 0.72 0.66-0.78 CRT (EGFR) vs. RT 0.77 0.55-1.08 CRT (EGFR) vs. CRT (chemo) 1.06 0.75-1.52 I (no taxane) + RT vs. RT 0.88 0.66-1.00 I (taxane-based) + RT vs. RT 0.64 0.43-0.95 I (taxane-based) + RT vs. CRT (chemo) 0.89 0.59-1.33 I (taxane-based) + CRT (chemo) vs. RT 0.60 0.48-0.74 I (no taxane) + CRT (chemo) vs. CRT (chemo) 1.02 0.82-1.24 I (taxane-based) + CRT (chemo) vs. CRT (chemo) 0.83 0.67-1.01

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)0,036
score de la tête « metaresearch » (Gemma)0,059
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,036
Score d'incertitude au seuil0,192

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0360,059
Méta-épidémiologie (sens strict)0,0040,002
Méta-épidémiologie (sens large)0,0120,056
Bibliométrie0,0060,005
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,075
Tête enseignante GPT0,389
Écart entre enseignants0,314 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
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

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical OncologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207