Impact of Increasing Wait Times on Overall Mortality of Chimeric Antigen Receptor T-Cell Therapy in Large B-Cell Lymphoma: A Discrete Event Simulation Model
Notice bibliographique
Résumé
PURPOSE: The development of chimeric antigen receptor (CAR) T cells has transformed oncology treatment, with the potential to cure certain cancers. Although shown to be effective in selected populations and studies, CAR T-cell technology requires considerable health care resources, which may lead to additional wait times to access this type of treatment in future. The objective of our study was to estimate the potential impact of increasing wait times on CAR T-cell therapy effectiveness compared with standard chemotherapy for patients with relapsed/refractory diffuse large B-cell lymphoma. METHODS: A health system-level discrete event simulation model was developed to project the potential impact of wait times on CAR T-cell therapy for patients with relapsed/refractory diffuse large B-cell lymphoma. Waiting queues and health states related to treatment and clinical progression were implemented. Using data from the literature, we evaluated nine scenarios of using CAR T-cell therapy with wait times ranging from 1 to 9 months. The outcome of interest was 1-year all-cause mortality. RESULTS: Increasing the wait time of receiving CAR T-cell therapy from 1 to 9 months increased the predicted 1-year mortality rate from 36.1% to 76.3%. Baseline 1-year mortality was 34.0% in patients receiving CAR T-cell therapy with no wait times and 75.1% in patients treated with chemotherapy. This resulted in an increased relative mortality rate of 6.2% to 124.5% over a 1- to 9-month wait time compared with no wait time. CONCLUSION: We found that modest delays in CAR T-cell therapy significantly hinder its effectiveness. Because CAR T-cell therapy offers a potential cure, it is expected that the uptake rate will be substantially increased once the therapy is regularly funded by a health care system. Wait times may be prolonged if system resource availability does not match the demand. Strategies must be developed to minimize the impact of delays and reduce complications during waiting.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».