Estimating hazard ratios from published Kaplan‐Meier survival curves: A methods validation study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Various statistical methods have been developed to estimate hazard ratios (HRs) from published Kaplan-Meier (KM) curves for the purpose of performing meta-analyses. The objective of this study was to determine the reliability, accuracy, and precision of four commonly used methods by Guyot, Williamson, Parmar, and Hoyle and Henley. DESIGN: Pivotal randomized controlled trials (RCTs) in oncology were identified from the pan-Canadian Oncology Drug Review (pCODR) database (primary analysis) and the Food and Drug Administration's (FDA) drug approvals page (secondary analysis) between January 2012 and May 2016. Two reviewers independently reconstructed HRs using each method on KM curves extracted from each trial and compared them with reported HRs (gold standard). Bland-Altman plots and summary statistics were calculated to assess accuracy and precision of these methods. Interrater reliability was assessed using intraclass correlation coefficient (ICC). These four methods were also applied to KM curves of different structures (ie, flat versus steep curves). RESULTS: A total of 118 KM curves (55 RCTs) and 77 KM curves (46 RCTs) were extracted from pCODR and FDA, respectively. In the primary analysis, the Guyot method was the most accurate with the lowest mean error (0.0094; 95% CI, -0.0012-0.020). All four methods had excellent interrater reliability. The Guyot method showed the smallest bias and greatest precision on the Bland-Altman plots. The Guyot method was consistently superior in both the secondary and all sensitivity analyses. CONCLUSION: In the absence of reported HRs, we recommend that researchers consider the Guyot method to reconstruct HRs from KM curves when performing aggregate data meta-analyses.
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.
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 | 0,235 | 0,821 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 découle