Real‐world health utility scores and toxicities to tyrosine kinase inhibitors in epidermal growth factor receptor mutated advanced non‐small cell lung cancer
Notice bibliographique
Résumé
BACKGROUND: As the treatment landscape in patients with non-small cell lung cancer (NSCLC) harboring mutations in the epidermal growth factor receptor (EGFRm) continues to evolve, real-world health utility scores (HUS) become increasingly important for economic analyses. METHODS: In an observational cohort study, questionnaires were completed in EGFRm NSCLC outpatients, to include demographics, EQ-5D-based HUS and patient-reported toxicity and symptoms. Clinical and radiologic characteristics together with outcomes were extracted from chart review. The impact of health states, treatment type, toxicities, and clinical variables on HUS were evaluated. RESULTS: Between 2014 and 2018, a total of 260 patients completed 994 encounters. Across treatment groups, patients with disease progression had lower HUS compared to controlled disease (0.771 vs 0.803; P = .01). Patients predominantly received gefitinib as the first-line EGFR tyrosine kinase inhibitor (TKI) (n = 157, mean-HUS = 0.798), whereas osimertinib (n = 62, mean-HUS = 0.806) and chemotherapy (n = 38, mean-HUS = 0.721) were more likely used in subsequent treatment lines. In longitudinal analysis, TKIs retained high HUS (>0.78) compared to chemotherapy (HUS < 0.74). There were no differences between the frequency or severity of toxicity scores in patients receiving gefitinib compared to osimertinib; however, TKI therapy resulted in fewer toxicities than chemotherapy (P < .05), with the exception of worse diarrhea and skin rash (P < .001). Severity in toxicities inversely correlated with HUS (P < .001). Clinico-demographic factors significantly affecting HUS included age, Eastern Cooperative Oncology Group Performance Score (ECOG PS), disease state, treatment group, and metastatic burden. CONCLUSIONS: In a real-world EGFRm population, patients treated with gefitinib or osimertinib had similar HUS and toxicities, scores which were superior to chemotherapy. Health utility scores inversely correlated with patient-reported toxicity scores. In the era of targeted therapies, future economic analyses should incorporate real-world HUS.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».