Diminishing clinical impact for post-approval cancer clinical trials: A retrospective cohort study
Notice bibliographique
Résumé
BACKGROUND: Once a drug gets FDA approved, researchers often attempt to discover new applications in different indications. The clinical impact of such post-approval activities is uncertain. We aimed to compare the clinical impact of research efforts started after approval with those started before for cancer drugs. METHODS: We used Drugs@FDA to perform a retrospective cohort study of secondary approvals for cancer drugs that were initially FDA approved between 2005 and 2017. Clinicaltrials.gov was used to identify the beginning of each research trajectory that resulted in a secondary FDA approval. Each trajectory was classified as pre- or post-approval depending on if it was initiated before or after initial drug licensure. Clinical impact was assessed by comparing secondary approvals and NCCN off-label recommendations deriving from pre- vs. post-approval trajectories, pooled effect sizes, incidence, and level of evidence. RESULTS: We identified 77 broad secondary approvals, 60 of which had at least 6 years follow-up. Of these, 9 (15%) resulted from post-approval trajectories, a proportion that is significantly lower than would be expected if the timing of research didn't impact approval (McNemar's test p = 0.001). Compared to pre-approval trajectories, approvals resulting from post-approval trajectories were for cancers with lower mean incidence (6.11 vs 14.83, p = 0.006) and were based on pivotal trials with smaller pooled effect sizes (0.69 vs 0.57, p = 0.02) that were less likely to be randomized (38.5% vs 64.1%, p = 0.145). We identified 69 NCCN off-label recommendations. The proportion stemming from post-approval trajectories was similar to that for pre-approval (56.5% vs. 43.5%). However, recommendations from post-approval trajectories were significantly more likely to involve rare diseases (76.7% vs 51.4%, p = 0.019) and nonsignificantly less likely to be based on level 1 evidence (11.6% vs 22.9%, p = 0.309). CONCLUSION: Secondary FDA approvals are less likely to result from post-approval trajectories and tend to be less impactful compared to approvals originating from research started before first FDA licensure. However, post-approval trajectories may be as likely to lead to NCCN recommendations for off-label use. Limitations of this work include our use of indirect measures of impact and limited follow-up time for trajectories. Our study protocol was pre-registered (https://osf.io/5g3jw/).
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 | 0,087 | 0,179 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».