Influence of competing risks on estimates of recurrence risk and breast cancer-specific mortality in analyses of the Early Breast Cancer Trialists Collaborative Group.
Notice bibliographique
Résumé
533 Background: Early stage breast cancer is a curable disease with the majority of patients dying of causes other than breast cancer. The influence of these competing risks of death on the interpretation of Kaplan-Meier(KM)-based analyses such as those performed by the Early Breast Cancer Trialists Collaborative Group (EBCTCG) are unknown. Methods: We searched the Clinical Trial Service Unit and Epidemiological Studies Unit website at Oxford University to identify all meta-analyses published by the EBCTCG between 2005 and 2018. Studies were included if they contained KM curves with risk estimates for either breast cancer mortality and/or breast cancer recurrence. The potential influence of competing risks was estimated using a validated multivariate linear model that predicts the amount that the KM risk estimates are biased relative to outcome risk measured with the cumulative incidence function (CIF). Results: The initial search identified 14 analyses published by the EBCTCG with 10 of the 14 studies (71%) susceptible to competing risk bias cited both the number of events of interest and competing events. Eight of the ten studies (80%) had a relative difference between the KM estimate and the competing risk adjusted estimate of more than 10% while 2 of 10 (20%) had a difference of less than 10%. The relative difference between the KM and adjusted estimates was 28.4% for local recurrence, 16.8% for distant recurrence, and 6.7% for breast cancer-specific mortality. There was 2.2% difference between KM and adjusted analyses between 0-4 years and 18.9% beyond 10 years of follow up. Use of KM and CIF-based analysis did not influence treatment effect in the majority of included studies. Conclusions: This study provides estimates for the overestimation of risk in Kaplan-Meier analyses resulting from failure to address competing risk bias. CIFs are more appropriate to measure outcome risk over time and should be used especially for long-term follow-up studies and for analysis of rare events.
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 | 0,528 | 0,696 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,055 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».