MétaCan
Menu
← Retour à la cohorte
Enregistrement W4298109746 · doi:10.1200/jco.2022.40.28_suppl.248

Evaluating the time toxicity of cancer treatment in the CCTG CO.17 randomized clinical trial (RCT).

2022· article· en· W4298109746 sur OpenAlexaffabout
Arjun Gupta, Christopher J. O’Callaghan, Liting Zhu, Derek J. Jonker, Ralph Wong, Bruce Colwell, Malcolm J. Moore, Christos S. Karapetis, Niall C. Tebbutt, Jeremy Shapiro, Dongsheng Tu, Christopher M. Booth

Notice bibliographique

RevueJournal of Clinical Oncology · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensPrincess Margaret Cancer CentreDalhousie UniversityCancerCare ManitobaOttawa HospitalQueen's University
Organismes subventionnairesnon disponible
Mots-clésMedicineCetuximabRandomized controlled trialColorectal cancerToxicityPopulationCancerInternal medicineClinical trial

Résumé

récupéré en direct d'OpenAlex

248 Background: Most individual treatments for advanced cancer are associated with modest survival benefits. The time spent in pursuing these treatments can be substantial. We have previously developed a pragmatic and patient-centered metric of these time costs, which we term ‘’time toxicity’’, as any day with physical healthcare system contact. This includes outpatient visits (e.g., for bloodwork, scans, infusions, urgent care), emergency room visits, and overnight stays in a healthcare facility. Herein we sought to assess time toxicity in a completed RCT. Methods: We conducted a secondary analysis of the Canadian Cancer Trials Group CO.17 RCT that evaluated weekly cetuximab infusions vs supportive care alone in 572 patients with advanced colorectal cancer. CO.17 recruited participants in Canada, Australia and New Zealand. Initial results reported a 6-week improvement in median overall survival (OS) with cetuximab (6.1 vs 4.6 months, p = 0.005). Subsequent analyses reported that OS benefit was restricted to and significantly more in patients with K-ras wild-type tumors. We calculated patient-level time toxicity by analyzing treatment, follow-up, and resource utilization forms. We considered a day without physical healthcare contact as a ‘’home day’’. Thus, for a patient, OS was time toxic days + home days. We compared medians of time measures across arms, and stratified results by K-ras status. Results: In the overall population, median time toxic days were higher in the cetuximab arm (28, vs 10, p < 0.001), although median home days were not statistically different (140, vs 121, p = 0.09). The proportion of time toxic days (time toxic days/OS) were significantly more with cetuximab (18%, vs 6%, p < 0.001). Of the 28 time toxic days in the overall cetuximab arm, 14 (50%) were protocol-related (e.g., scheduled infusions etc). Stratified results are in the table. Conclusions: Time toxicity can be extracted through secondary analyses of RCTs. In CO.17, despite an overall OS-benefit with cetuximab, home days were statistically similar across arms. In the K-ras-mutated group, cetuximab was associated with numerically similar OS but more time toxic days. In the K-ras-wild type group, cetuximab was associated with higher home days. Thus, time toxicity data need not always be sobering. Time toxicity measures can supplement traditional survival endpoints in RCTs to guide patient-oncologist decision-making. Cooperative group RCTs are well positioned for such analyses. Clinical trial information: NCT00079066. [Table: see text]

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,019
score de la tête « metaresearch » (Gemma)0,036
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,103

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,036
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0040,005
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,804
Tête enseignante GPT0,678
Écart entre enseignants0,126 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetHealth Systems, Economic Evaluations, Quality of Life→Travaux en français237 207→