A Method for Reconstructing Individual Patient Data From Kaplan-Meier Survival Curves That Incorporate Marked Censoring Times
Notice bibliographique
Résumé
Introduction. Access to individual patient data (IPD) can be advantageous when conducting cost-effectiveness analyses or indirect treatment comparisons. While exact times of censoring are often marked on published Kaplan-Meier (KM) curves, an algorithm for reconstructing IPD from such curves that allows for their incorporation is presently unavailable. Methods. An algorithm capable of incorporating marked censoring times was developed to reconstruct IPD from KM curves, taking as additional inputs the total patient count and coordinates of the drops in survival. The reliability of the algorithm was evaluated via a simulation exercise, in which survival curves were simulated, digitized, and then reconstructed. To assess the reliability of the reconstructed curves, hazard ratios (HRs) and quantiles of survival were compared between the original and reconstructed curves, and the reconstructed curves were visually inspected. Results. No systematic differences were found in HRs and quantiles in the original versus reconstructed curves. Upon visual inspection, the reconstructed IPD provided a close fit to the digitized data from the published KM curves. Inherent to the algorithm, censoring times were incorporated into the reconstructed data exactly as specified. Conclusion. This new algorithm can reliably be used to reconstruct IPD from reported KM survival curves in the presence of extractable censoring times. Use of the algorithm will allow health researchers to reconstruct IPD more closely by incorporating censoring times exactly as marked, requiring as additional inputs the total patient count and coordinates of the drops in survival.
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 | 0,006 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; 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 ».