The empirical estimate of the survival and variance using a weighted composite endpoint
Notice bibliographique
Résumé
BACKGROUND: Composite endpoints for estimating treatment efficacy are routinely used in several therapeutic areas and have become complex in the number and types of component outcomes included. It is assumed that its components are of similar asperity and chronology between both treatment arms as well as uniform in magnitude of the treatment effect. However, these assumptions are rarely satisfied. Understanding this heterogeneity is important in developing a meaningful assessment of the treatment effect. METHODS: We developed the Weighted Composite Endpoint (WCE) method which uses weights derived from stakeholder values for each event type in the composite endpoint. The derivation for the product limit estimator and the variance of the estimate are presented. The method was then tested using data simulated from parameters based on a large cardiovascular trial. Variances from the estimated and traditional approach are compared through increasing sample size. RESULTS: The WCE method used all of the events through follow-up and generated a multiple recurrent event survival. The treatment effect was measured as the difference in mean survivals between two treatment arms and corresponding 95% confidence interval, providing a less conservative estimate of survival and variance, giving a higher survival with a narrower confidence interval compared to the traditional time-to-first-event analysis. CONCLUSIONS: The WCE method embraces the clinical texture of events types by incorporating stakeholder values as well as all events during follow-up. While the effective number of events is lower in the WCE analysis, the reduction in variance enhances the ability to detect a treatment effect in clinical trials.
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 | 0,161 | 0,838 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes 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 ».