Augmenting clinical trial economic analysis by linking cancer trial data to administrative data: current landscape and future opportunities
Notice bibliographique
Résumé
BACKGROUND: Economic analyses based on clinical trial data are costly and time consuming, and alternative methods for performing economic analyses should be explored. OBJECTIVE AND METHODS: In this perspective, we examine the emerging role of administrative data for economic analyses in cancer. RESULTS: Compared with routinely collected clinical trial data, routinely collected administrative data have several strengths including high capture rates for healthcare encounters, less resource utilisation, low rates of misclassification, long follow-up periods and the opportunity to collect data points not traditionally captured in clinical trials. However, there are also limitations including the need for accurate data linkage across multiple databases and systems, the costs and time associated with data linkage, the potential time lag between trial data collection and the availability of administrative data, and limited data on quality of life, toxicity and indirect costs. In this perspective, we identify important barriers and potential solutions to performing economic analyses for oncology using administrative data, and outline strategies to increase research in this field. CONCLUSION: The use of routinely collected administrative data sets for economic analyses of clinical trials presents a unique opportunity that could complement and validate economic analyses based on trial-level data.
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 | 0,304 | 0,575 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,013 | 0,025 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,013 | 0,013 |
| Science ouverte | 0,007 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».