Error propagation in simulated treatment comparisons for multiple myeloma: Results from a simulation.
Notice bibliographique
Résumé
e20523 Background: Comparing the effectiveness of multiple myeloma treatments presents a challenge due to the limited number of head-to-head trials with which to conduct indirect treatment comparisons. This is particularly true when subgroup analysis is of interest. In comparative effectiveness research Simulated Treatment Comparisons (STCs) are becoming increasingly common in the absence of head-to-head trials. STCs use estimates from limited IPD to adjust for covariate imbalance between trials, however the uncertainty from these estimates is generally ignored when estimating relative treatment effects. This study demonstrates the need to account for this uncertainty when conducting STCs for indications such as multiple myeloma. We introduce an STC method that accounts for the uncertainty due to covariate adjustment, and demonstrate its effectiveness via simulation. Methods: We simulated two single arm studies (N = 300 for both), each containing age and overall survival. We assume study 1 has individual patient data available, and study 2 only has aggregate age data and a digitized Kaplan-Meier curve. We compute a covariate adjustment term based on the mean age difference between the studies and the age coefficients from fitting a parametric survival model to the observed study 1 IPD. We then estimate the variance of this adjustment term via bootstrapping and incorporate this uncertainty into a Bayesian STC model which estimates the relative treatment effect for the two study datasets converted to a digitized Kaplan-Meier format. Results: The proportion of 95% credible intervals (CrI) that captured the true treatment effect was 86.8% without error propagation, whereas 92.0% of CrI’s captured the true treatment with error propagation. 94.9% of CrI’s contained the true treatment effect when using survival regression with the complete IPD. Conclusions: Failing to account for uncertainty from the covariate adjustment when conducting simulated treatment comparisons generally leads to underestimating the uncertainty of the relative treatment effect. This method better captures the uncertainty introduced when conducting an STC and has the potential to yield more reliable estimates of the comparative effectiveness of multiple myeloma treatments.
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 | 0,095 | 0,287 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».