Methodological Comparison of Mapping the Expanded Prostate Cancer Index Composite to EuroQoL-5D-3L Using Cross-Sectional and Longitudinal Data: Secondary Analysis of NRG/RTOG 0415
Notice bibliographique
Résumé
PURPOSE: To compare the predictive ability of mapping algorithms derived using cross-sectional and longitudinal data. METHODS: This methodological assessment used data from a randomized controlled noninferiority trial of patients with low-risk prostate cancer, conducted by NRG Oncology (ClinicalTrials.gov identifier: NCT00331773), which examined the efficacy of conventional schedule versus hypofractionated radiation therapy (three-dimensional conformal external beam radiation therapy/IMRT). Health-related quality-of-life data were collected using the Expanded Prostate Cancer Index Composite (EPIC), and health utilities were obtained using EuroQOL-5D-3L (EQ-5D) at baseline and 6, 12, 24, and 60 months postintervention. Mapping algorithms were estimated using ordinary least squares regression models through five-fold cross-validation in baseline cross-sectional data and combined longitudinal data from all assessment periods; random effects specifications were also estimated in longitudinal data. Predictive performance was compared using root mean square error. Longitudinal predictive ability of models obtained using baseline data was examined using mean absolute differences in the reported and predicted utilities. RESULTS: A total of 267 (and 199) patients in the estimation sample had complete EQ-5D and EPIC domain (and subdomain) data at baseline and at all subsequent assessments. Ordinary least squares models using combined data showed better predictive ability (lowest root mean square error) in the validation phase for algorithms with EPIC domain/subdomain data alone, whereas models using baseline data outperformed other specifications in the validation phase when patient covariates were also modeled. The mean absolute differences were lower for models using EPIC subdomain data compared with EPIC domain data and generally decreased as the time of assessment increased. CONCLUSION: Overall, mapping algorithms obtained using baseline cross-sectional data showed the best predictive performance. Furthermore, these models demonstrated satisfactory longitudinal predictive ability.
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 | 0,227 | 0,384 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,009 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».