Clinical trial risk in leukemia: Biomarkers and trial design
Notice bibliographique
Résumé
This study analyzed the risk of clinical trial failure for leukemia drug development between January 1999 and January 2020. The specific leukemia subtypes of interest were acute lymphocytic leukemia (ALL), chronic lymphocytic leukemia (CLL), acute myeloid leukemia (AML), and chronic myeloid leukemia (CML). Drug development was investigated using data obtained from https://www.clinicaltrials.gov and other publicly available databases. Drug compounds were excluded if they began phase I testing for the indication of interest before January 1999, if they were not industry sponsored, or if they treated secondary complications of the disease. Further analysis was conducted on biomarker usage, drug mechanisms of action, and line of treatment. Drugs were identified following our inclusion criteria for ALL (72), CLL (106), AML (159), and CML (47). The likelihood (cumulative pass rate), a drug would pass all phases of clinical testing and obtain Food and Drug Administration approval, was 18% (ALL), 10% (CLL), 7% (AML), and 12% (CML). Biomarker targeted therapies improved the success rates by three- and sevenfold, for ALL and AML, respectively. Enzyme inhibitors doubled the cumulative success rate for AML. First-line therapy and kinase inhibitors both independently doubled the cumulative success rate for CLL. Oncologists enrolling patients in clinical trials can increase success rates by up to sevenfold by prioritizing participation in trials involving biomarker usage, while consideration of factors such as drug mechanism of action and line of therapy can further double the clinical trial success rate.
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,004 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».