Patient Preferences for Adjuvant Treatment in Muscle-Invasive Urothelial Carcinoma: A Multi-Country Discrete Choice Experiment
Notice bibliographique
Résumé
Purpose: The evolving treatment landscape in muscle-invasive urothelial carcinoma creates challenges for clinicians and patients in selecting the most appropriate therapy. Here, we aimed to understand adjuvant treatment preferences among patients with muscle-invasive urothelial carcinoma who underwent radical resection, including tradeoffs between efficacy outcomes and toxicity risks. Patients and Methods: An observational, cross-sectional study utilizing a discrete choice experiment was conducted across the United States, United Kingdom, Canada, France, and Germany via a web-based survey. Patients ≥18 years of age who self-reported as having been diagnosed with muscle-invasive urothelial carcinoma were included. Patients indicated their preferences between hypothetical treatment profiles varying in eight attributes relating to efficacy, regimen, and side effects. Preference weights were estimated using hierarchical Bayesian logistic regression; relative attribute importance estimates were calculated. Results: Overall, 207 patients were included (age ≥56 years, 65.7%; male, 54.1%). Patients chose adjuvant treatment 91.2% of the time vs no treatment. Prolonging overall survival from 25 to 78 months was most important, followed by reducing serious side effect risks. Increasing disease-free survival from 12 to 24 months was more important than decreasing risks of fatigue from 54% to 15% and nausea from 53% to 7%. Treatment with the shortest dosing regimen was more important for patients who received neoadjuvant chemotherapy vs patients who did not receive neoadjuvant chemotherapy; prolonging overall survival was more important than reducing the risk of a serious side effect in non-US patients; the opposite was found in the United States. Conclusion: Patients with muscle-invasive urothelial carcinoma who underwent radical resection preferred adjuvant treatment over no treatment regardless of side effects. Patients prioritized overall survival improvements followed by a reduced side effect profile.
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 | 0,018 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».