How big is a big hazard ratio in clinical trials?
Notice bibliographique
Résumé
Background: The hazard ratio has been widely used as an index of effect size in clinical trials for time-to-event data. The use of the Cox proportional hazards models and other hazard centered models is ubiquitous in clinical trials for time-to-event data. The relativity of effect sizes (small, medium, large) has been widely discussed and accepted when comparing magnitude of association for continuous and categorical data, but not yet for time-to-event outcomes. Methods: We review published hazard ratios, investigate the relationships among HR, relative risk (RR), odds ratio (OR), and Cohen’s d, and calculate the corresponding HRs for given event rate in control group ( ) by adding standard normal deviation with 0.2 (small), 0.5 (medium) and 0.8 (large) to the event rate in the case group ( based on equation . Results: Our results indicate that HRs are from 1.68 to 1.16 when the event rate of control group moves from 1% to 90%, which are equivalent to Cohen’s d = 0.2 (small). HRs are ranged between 3.43 and 1.43 when the event rate of control group moves from 1% to 90%, which are equivalent to Cohen’s d = 0.5 (medium), HRs are valued between 6.52 and 1.73 when the event rate of control group moves from 1% to 90%, which are equivalent to Cohen’s d = 0.8 (large). Conclusions: This study provides general guidelines in interpreting the magnitudes of HRs for time-to-event data 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 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 | 0,454 | 0,816 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,011 | 0,008 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,012 |
| Communication savante | 0,012 | 0,022 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,008 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».