Metformin and Cancer: Solutions to a Real-World Evidence Failure
Notice bibliographique
Résumé
The quest to repurpose metformin, an antidiabetes drug, as an agent for cancer prevention and treatment, which began in 2005 with an observational study that reported a reduction in cancer incidence among metformin users, generated extensive experimental, observational, and clinical research. Experimental studies revealed that metformin has anticancer effects via various pathways, potentially inhibiting cancer cell proliferation. Concurrently, multiple nonrandomized observational studies reported remarkable reductions in cancer incidence and outcomes with metformin use. However, these studies were shown, in 2012, to be affected by time-related biases, such as immortal time bias, which tend to greatly exaggerate the benefit of a drug. The observational studies that avoided these biases did not find an association. Subsequently, the randomized trials of metformin for the treatment of type 2 diabetes and as adjuvant therapy for the treatment of various cancers, advanced or metastatic, did not find reductions in cancer incidence or outcomes. Most recently, the largest phase 3 randomized trial of metformin as adjuvant therapy for breast cancer, which enrolled 3,649 women with a 5-year follow-up, found no benefit for disease-free survival or overall survival with metformin. This major failure of observational real-world evidence studies in correctly assessing the effects of metformin on cancer incidence and outcomes was caused by preventable biases which, surprisingly, are still prominent in 2022. Rigorous approaches for observational studies that emulate randomized trials, such as the incident and prevalent new-user designs along with propensity scores, avoid these biases and can provide more accurate real-world evidence for the repurposing of drugs such as metformin.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».