The impact of ignoring Interval censoring in progression-free survival in cancer trials: a systematic review
Notice bibliographique
Résumé
Introduction & Objective: From statistical literature, the bias in treatment effect from ignoring interval censoring in Progression-free survival (PFS) is demonstrated. However, the impact on estimators caused by interval censoring is not carefully took account and investigated by researchers in practice. The objective of this study is to examine the impact of accounting for interval censoring in practice among RCTs used to support FDA approvals anti-cancer drugs between the years 2005 and 2019 that used PFS as an endpoint.
 Methods: In this systematic review, the differences of hazard ratios between two methods: considering and ignoring interval censoring, are visualized by Kaplan-Meier survival curves and estimated from a Cox proportional hazard model of 87 RCTs. With assumption that these differences and mean differences (bias) follow a normal distribution, limits of agreement of differences and confidence interval of bias are used to represent agreement of two methods.
 Results: Limits of agreement of difference range from -0.044 to 0.0615, while confidence intervals for the bias range from 0.0026 to 0.0145, which does not include zero, resulting in estimated treatment effect differs for two methods.
 Conclusion: In general, bias caused by interval censoring in treatment effect exists with large sample studies. Focusing on individual clinical trials, limits of agreement can provide more information for researchers to make decision on how to account for interval censoring.
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 | 0,096 | 0,275 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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; 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 ».