GUIP1: a R package for dose escalation strategies in phase I cancer clinical trials
Notice bibliographique
Résumé
BACKGROUND: The main objective of phase I cancer clinical trials is to identify the maximum tolerated dose, usually defined as the highest dose associated with an acceptable level of severe toxicity during the first cycle of treatment. Several dose-escalation designs based on mathematical modeling of the dose-toxicity relationship have been developed. The main ones are: the continual reassessment method (CRM), the escalation with overdose control (EWOC) method and, for late-onset and cumulative toxicities, the time-to-event continual reassessment method (TITE-CRM) and the time-to-event escalation with overdose control (TITE-EWOC) methods. The objective of this work was to perform a user-friendly R package that combines the latter model-guided adaptive designs. RESULTS: GUIP1 is an R Graphical User Interface for dose escalation strategies in Phase 1 cancer clinical trials. It implements the CRM (based on Bayesian or maximum likelihood estimation), EWOC and TITE-CRM methods using the dfcrm and bcrm R packages, while the TITE-EWOC method has been specifically developed. The program is built using the TCL/TK programming language, which can be compiled via R software libraries (tcltk, tkrplot, tcltk2). GUIP1 offers the possibility of simulating and/or conducting and managing phase I clinical trials in real-time using file management options with automatic backup of study and/or simulation results. CONCLUSIONS: GUIP1 is implemented using the software R, which is widely used by statisticians in oncology. This package simplifies the use of the main model-based dose escalation methods and is designed to be fairly simple for beginners in R. Furthermore, it offers multiple possibilities such as a full traceability of the study. By including multiple innovative adaptive methods in a free and user-friendly program, we hope that GUIP1 will promote and facilitate their use in designing future phase I cancer clinical trials.
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 | 0,019 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,099 | 0,033 |
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 ».