Optimal frequency of scans for patients on cancer therapies: A population kinetics assessment
Notice bibliographique
Résumé
Abstract Background Optimal frequency of follow‐up scans for patients receiving systemic therapies is poorly defined. Progression‐free survival (PFS) generally follows first‐order kinetics. We used exponential decay nonlinear regression analysis to calculate half‐lives for 887 published PFS curves. Method We used the Excel formula x = EXP(‐ t n *0.693/ t 1/2 ) to calculate proportion of residual patients remaining progression‐free at different times, where t n is the interval in weeks between scans (eg, 6 weeks), * indicates multiplication, 0.693 is the natural logarithm of 2, and t 1/2 is the PFS half‐life in weeks. Results Proportion of residual patients predicted to remain progression‐free at each subsequent scan varied with scan intervals and regimen PFS half‐life. For example, with a 4‐month half‐life (17.3 weeks) and scans every 6 weeks, 21% of patients would progress by the first scan, 21% of the remaining patients would progress by the second scan at 12 weeks, etc With 2, 6‐ and 12‐month half‐lives (for example), the proportion of remaining patients progressing at each subsequent scan if repeated every 3 weeks would be 21%, 8% and 4%, respectively, while with scans every 12 weeks it would be 62%, 27% and 15%, respectively. Furthermore, optimal scan frequency can be calculated for populations comprised of distinct rapidly and slowly progressing subpopulations, as well as with convex curves arising from treatment breaks, where optimal scan frequency may differ during therapy administration vs during more rapid progression after therapy interruption. Conclusions A population kinetics approach permits a regimen‐ and tumor‐specific determination of optimal scan frequency for patients on systemic therapies.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».