The Effect of Biomarker Use on the Speed and Duration of Clinical Trials for Cancer Drugs
Notice bibliographique
Résumé
BACKGROUND: The purpose of this study was to explore the effects biomarkers have on the duration and speed of clinical trials in oncology. MATERIALS AND METHODS: Clinical trial data was pooled from www.clinicaltrials.gov within the 4 cancer indications of non-small cell lung cancer, breast cancer, melanoma, and colorectal cancer. Heatmaps of clinical timelines were used to display differences in the frequency and timing of clinical trials across trials that used or did not use biomarkers, for all 4 indications. RESULTS: Screening of 8630 clinical trials across the 4 indications yielded 671 unique drugs corresponding to 1224 eligible trials used in our analysis. The constructed heatmaps visually represented that biomarkers did not have an effect on the time gap between trial phases for non-small cell lung cancer and melanoma but did for colorectal and breast cancer trials, reducing the speed of trial timelines. It was also observed that biomarker trials were more often concurrent over shorter periods of time and began later in the timeline for non-small cell lung and colorectal cancers. CONCLUSION: The novel visualization method revealed longer gaps between trial phases, later clinical trial start times, and shorter periods of concurrently run trials for drugs that used biomarkers. The study highlights that biomarker-driven trials might impact drug approval timelines and need to be considered carefully in clinical development plan.
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 | 0,118 | 0,403 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».