Handling Incomplete or Late-Onset Toxicities in Early-Phase Dose-Finding Clinical Trials: Current Practice and Future Prospects
Notice bibliographique
Résumé
PURPOSE: The way late-onset toxicities are managed can affect trial outcomes and participant safety. Specifically, participants often might not have completed their entire follow-up period to observe any toxicities before new participants would be recruited. We conducted a methodological review of published early-phase dose-finding clinical trials that used designs accounting for partial and complete toxicity information, aiming to understand (1) how such designs were implemented and reported and (2) if sufficient information was provided to enable the replicability of trial results. METHODS: Until March 26, 2023, we identified 141 trials using the rolling 6 design, the time-to-event continuous reassessment method (TITE-CRM), the TITE-CRM with cycle information, the TITE Bayesian optimal interval design, the TITE cumulative cohort design, and the rapid enrollment design. Clinical settings, design parameters, practical considerations, and dose-limiting toxicity (DLT) information were extracted from these published trials. RESULTS: 6.6%). Most trials implementing the TITE-CRM (91.8%, 56 of 61) failed to describe essential parameters in the protocols or the study result papers. Only five TITE-CRM trials (8.2%, 5 of 61) reported sufficient information to enable replication of the final analysis. CONCLUSION: When compared with trials using the rolling 6 design, those implementing the TITE-CRM design exhibited notable deficiencies in reporting essential details necessary for reproducibility. Inadequate reporting quality of advanced model-based trial designs hinders their credibility. We provide recommendations that can improve transparency, reproducibility, and accurate interpretation of the results for such designs.
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 | 0,055 | 0,464 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 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 ».