Clinical characteristics of 3,030 glioblastoma multiforme (GBM) patients in high, upper middle and lower middle economic regions based on real-world data (RWD)
Notice bibliographique
Résumé
Background: GBM is the most common and aggressive primary brain tumor in adults. This study investigated RWD-based differences among 3,030 GBM patients stratified by three economic regions. Methods: The analysis was based on IQVIA syndicated cross-sectional surveys, collecting anonymized patient-level data between January 2016 and September 2017 in different countries, grouped into three economically different regions. Region 1 (high): EU5 (France, Germany, Italy, UK, Spain), Canada, Australia; Region 2 (upper middle): Korea, China, Taiwan; Region 3 (lower middle): Brazil, Mexico. Results: The percentage of patients aged >65 years was 23.9 % for region 1, 6.33 % for region 2 and 13.62 % for region 3, confirming younger GBM population in region 2. The age difference among the regions was statistically significant (P < 0.0001). The incidence of male (65 %) and female (35 %) patients was homogenous across all regions. Region 1 showed the highest testing rate (60 %) for MGMT promoter methylation and region 3 the lowest (33 %). EGFR mutation was not studied in more than 50 % of patients across the regions. However, in overall tested population, the EGFR VIII mutations varied: 39 %, 90 %, and 73 % for regions 1, 2 and 3, respectively. Concerning drug treatment options, temozolomide was the leading therapy (> 90 %) in all three regions, regardless of MGMT and EGFR status. The highest percentage (35 %) for cognitive impairment studied by MMSE (Mini Mental State Examination) was found in region 2, followed by 25 % and 22 % in regions 1 and 3, respectively. We did not find any differences in Performance Status or comorbidities among the regions, with no reported comorbidities in > 60 % of patients. Conclusions: This multi-variable analysis from RWD shows differences in clinical characteristics (i.e., age, biomarkers and MMSE), which may be taken into consideration in the design of GBM global studies. To our best knowledge, this study was based on the largest GBM database ever published. Legal entity responsible for the study: IQVIA. Funding: IQVIA. Disclosure: All authors have declared no conflicts of interest.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; 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 ».