Defining Clinically Relevant Target Populations Using Real‐World Data to Guide the Design of Representative Antidiabetic Drug Trials
Notice bibliographique
Résumé
The US Food and Drug Administration is considering replacing cardiovascular outcome trials of antidiabetic drugs with trials that better represent patients with type 2 diabetes. However, designing such representative trials requires understanding the underlying target populations (i.e., populations intended to receive the drug in the real-world setting). Thus, we used the Liraglutide Effect and Action in Diabetes: Evaluation of Cardiovascular Outcome Results (LEADER) trial as a motivating example to illustrate how different target populations impact trial representativeness. Using the United Kingdom Clinical Practice Research Datalink, we identified three target populations: (i) all patients with type 2 diabetes; (ii) patients prescribed liraglutide; and (iii) patients who would have been eligible to receive liraglutide based on treatment stage (i.e., patients with poorly controlled diabetes eligible to receive a second-to-fifth line antidiabetic drug). We then examined the representativeness of the LEADER trial by applying its eligibility criteria to each target population. The target populations of patients with type 2 diabetes (n = 279,763), those prescribed liraglutide (n = 14,421), and those eligible to receive liraglutide based on the treatment stage (n = 85,610) differed substantially in terms of hemoglobin A1c, body mass index, prevalence of heart failure, and chronic kidney disease. Applying the LEADER trial eligibility criteria to these target populations resulted in the inclusion of 19.1%, 20.7%, and 34.8% patients, respectively. This study highlights how real-world data can be used to define different target populations. Explicitly defining these target populations can help in the design of future trials of antidiabetic drugs.
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 | 0,523 | 0,569 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».