Validation of the FINE-CKD model for future health technology assessments for finerenone in patients with chronic kidney disease and type 2 diabetes
Notice bibliographique
Résumé
BACKGROUND: The FINE-CKD model was developed to estimate the cost-effectiveness of finerenone in patients with chronic kidney disease (CKD) and type 2 diabetes (T2D). OBJECTIVE: To perform internal and external validation by comparing the model estimates with trial results and outcomes from other models. METHODS: Incidence rates from trials were compared with the model predictions. Statistical tests were then performed to assess whether modeled event rates aligned with trial observations. A cross-validation was also performed using the online version of the SHARP CKD-Cardiovascular Disease (SHARP CKD-CVD) model, with population characteristics from the finerenone trials analyzed. Where no finerenone data were available, the default SHARP CKD-CVD values were used. Comparison of the results considered the ranges from both models. RESULTS: The outcomes of the FINE-CKD model reflect the event rates observed in the trials. Based on the results of the statistical tests, the hypothesis of no difference between observed and modeled events cannot be rejected for any of the outcomes. The results of the FINE-CKD model are within the ranges from the SHARP CKD-CVD model. Disease progressions align across the models; however, incident kidney failure events in the SHARP CKD-CVD model were higher. This can be explained by simulation of more severely affected patients in the SHARP CKD-CVD model. CONCLUSIONS: This study demonstrates that the FINE-CKD model adequately reflects the clinical data and provides reliable extrapolation relative to the existing predictive tools while also being conservative in its approach.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».