Assessment of Successful Randomization Through a Machine Learning and Visualization Tool for Pre-Treatment Symptoms: Examples from CCTG/AGITG CO.17 and CO.20 Trials
Notice bibliographique
Résumé
Patients in randomized controlled trials (RCTs) must be successfully randomized to reduce or eliminate bias. Because pre-treatment symptoms have prognostic significance in cancer patients, qualitative and quantitative tools were developed to assess similarity of baseline pre-treatment symptoms across different treatment arms of RCTs as one measure of randomization success. Clinician-reported symptom data from two colorectal cancer RCTs, CO.20 and CO.17, were used to demonstrate the utility of a qualitative visualization tool and quantitative machine learning K-means tool, which grouped patients into clusters using baseline symptoms. Qualitatively, reflection bar graphs (RBGs) visualized potential imbalances in baseline symptoms (i) across treatment arms and (ii) by corresponding patient clusters identified within each treatment arm. RBGs found that the treatment arms for both RCTs had similar symptom profiles, while the lack of significant differences in the proportions of patients in each cluster across treatment arms further confirmed successful randomization. This paper details the creation of visualization, machine-learning, and statistical tools to compare baseline symptoms across RCT treatment arms, demonstrating that the CO.20 and CO.17 trials were successfully randomized by baseline symptoms and are comparable. These tools can therefore be implemented easily to ensure an extra layer of quality assurance of the randomization process for study assessment.
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 | 0,209 | 0,496 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».