Predictors of and longitudinal assessment of health utility scores in patients with small cell lung cancer using real-world data.
Notice bibliographique
Résumé
e19306 Background: Recent advances in small cell lung cancer (SCLC) treatments necessitate a better understanding of health utility scores (HUS) of patients treated under standard regimens to facilitate robust pharmaco-economic assessments. HUS collected in clinical trials may be inherently skewed due to restrictive eligibility criteria, highlighting the need for real-world data. Methods: In this cohort observational study, HUS were evaluated in SCLC patients through EQ-5D surveys. We also evaluated patient reported (pr) ECOG performance status (PS)), treatment toxicities (modified patient reported (mpr) CTCAE) and symptoms (Edmonton Symptom Assessment System, ESAS). Clinical data were abstracted from electronic medical records. The impact of these variables on HUS was explored using regression. Results: Of 282 clinical encounters (12% newly diagnosed; 37% stable on treatment; 22% progressing; 29% stable off therapy/other) in 111 SCLC patients (58% male; 64% extensive stage), 29% had pr-ECOG PS ≥ 2 at the first encounter. Mean HUS in treatment naïve patients with limited disease was 0.848 (SEM = 0.028); for extensive stage, mean HUS = 0.715 (SEM = 0.046). Extensive stage (β = -0.12; p = 0.03), bone metastases (β = -0.10; p = 0.04), females (β = -0.07; p = 0.006), and pr-ECOG PS ≥ 2 (β = -0.21; p < 0.001) were each associated with decreased HUS in multivariable analyses. When excluding pr-ECOG PS from the model (highly correlated with HUS), progressive disease (β = -0.07; p = 0.02) was also associated with decreased HUS. Longitudinally, in patients with disease stability, HUS were unchanged in limited disease, but slowly decreased for extensive stage over time. HUS were inversely associated with increasing severity of most measured toxicities (mpr-CTCAE rho values ranged from -0.34 to -0.47) and symptoms (rho values -0.27 to -0.54). Conclusions: HUS in SCLC is impacted by the presence of extensive stage and bone metastases, in addition to cancer symptoms and treatment toxicities. The values reported from this real-world sample provides a basis in which to compare with new SCLC therapies in health technology assessments. [Table: see text]
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».