Treatment Outcomes of High-Risk Non-Muscle Invasive Bladder Cancer (HR-NMIBC) in Real-World Evidence (RWE) Studies: Systematic Literature Review (SLR)
Notice bibliographique
Résumé
BACKGROUND: To date, there has been limited synthesis of RWE studies in high-risk non-muscle invasive bladder cancer (HR-NMIBC). The objective of this research was to conduct a systematic review of published real-world evidence to better understand the real-world burden and treatment patterns in HR-NMIBC. METHODS: An SLR was conducted following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines with the scope defined by the Population, Intervention Comparators, Outcomes, and Study design (PICOS) criteria. EMBASE, MEDLINE, and Cochrane databases (Jan 2015-Jul 2020) were searched, and relevant congress abstracts (Jan 2018-Jul 2020) identified. The final analysis only included studies that enrolled ≥100 patients with HR-NMIBC from the US, Europe, Canada, and Australia. RESULTS: The SLR identified 634 RWE publications in NMIBC, of which 160 studies reported data in HR-NMIBC. The average age of patients in the studies was 71 years, and 79% were males. The rates of BCG intravesical instillations ranged from 3% to 86% (29-95% for induction and 8-83% for maintenance treatment). Five-year outcomes were 17-89% recurrence-free survival (longest survival in patients completing BCG maintenance), 58-89% progression-free survival, 71-96% cancer-specific survival (lowest survival in BCG-unresponsive patients), and 28-90% overall survival (lowest survival in patients who did not receive BCG or instillation therapy). CONCLUSION: BCG treatment rates and survival outcomes in patients with HR-NMIBC vary in the real world, with better survival seen in patients completing maintenance BCG, responding to treatment, and not progressing to muscle-invasive disease. There is a need to better understand the factors associated with BCG use and discontinuation and for an effective treatment that improves outcomes in HR-NMIBC. Generalization of these results is limited by variations in data collection, reporting, and methodologies used across RWE studies.
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 | 0,025 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,015 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».