Clustering on longitudinal quality‐of‐life measurements using growth mixture models for clinical prognosis: Implementation on <scp>CCTG</scp>/<scp>AGITG CO</scp>.20 trial
Notice bibliographique
Résumé
INTRODUCTION: Analyzing longitudinal cancer quality-of-life (QoL) measurements and their impact on clinical outcomes may improve our understanding of patient trajectories during systemic therapy. We applied an unsupervised growth mixture modeling (GMM) approach to identify unobserved subpopulations ("patient clusters") in the CO.20 clinical trial longitudinal QoL data. Classes were then evaluated for differences in clinico-epidemiologic characteristics and overall survival (OS). METHODS AND MATERIALS: In CO.20, 750 chemotherapy-refractory metastatic colorectal cancer (CRC) patients were randomized to receive Brivanib+Cetuximab (n = 376, experimental arm) versus Cetuximab+Placebo (n = 374, standard arm) for 16 weeks. EORTC-QLQ-C30 QoL summary scores were calculated for each patient at seven time points, and GMM was applied to identify patient clusters (termed "classes"). Log-rank/Kaplan-Meier and multivariable Cox regression analyses were conducted to analyze the survival performance between classes. Cox analyses were used to explore the relationship between baseline QoL, individual slope, and the quadratic terms from the GMM output with OS. RESULTS: In univariable analysis, the linear mixed effect model (LMM) identified sex and ECOG Performance Status as strongly associated with the longitudinal QoL score (p < 0.01). The patients within each treatment arm were clustered into three distinct QoL-based classes by GMM, respectively. The three classes identified in the experimental (log-rank p-value = 0.00058) and in the control arms (p < 0.0001) each showed significantly different survival performance. The GMM's baseline, slope, and quadratic terms were each significantly associated with OS (p < 0.001). CONCLUSION: GMM can be used to analyze longitudinal QoL data in cancer studies, by identifying unobserved subpopulations (patient clusters). As demonstrated by CO.20 data, these classes can have important implications, including clinical prognostication.
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 | 0,020 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».