Estimating scenarios for survival time in patients with advanced melanoma receiving immunotherapy and targeted therapy
Notice bibliographique
Résumé
BACKGROUND: We aim to provide survival scenario estimates for patients with advanced melanoma starting targeted therapies and immunotherapies. MATERIALS AND METHODS: We sought randomized trials of targeted therapies and immunotherapies for advanced melanoma and recorded the following percentiles (represented survival scenario) from each overall survival (OS) curve: 90th (worst-case), 75th (lower-typical), 50th (median), 25th (upper-typical), and 10th (best-case). We tested whether these scenarios can be estimated for each OS curve by multiplying its median by 4 multiples: 0.25 (worst-case), 0.5 (lower-typical), 2 (upper-typical), and 3 (best-case). RESULTS: We identified 15 trials with 8025 patients. For first-line combination targeted therapy treatment groups, the median (interquartile range, IQR) in months for each percentile was: 90th, 6.2 (6.0-6.5); 75th, 11.3 (11.3-11.4); and median, 24.4 (23.5-25.3). For the first-line combination immunotherapy treatment group, the percentiles in months were: 90th, 3.9 (2.8-4.5); 75th, 13.4 (10.1-15.4), median 73 (not applicable). In targeted therapy groups, simple multiples of the median OS were accurate for estimating the 90th percentile in 80%; 75th percentile in 40%; 25th percentile in 100%. In immunotherapy groups, these multiples were accurate at 0% for the 90th percentile, and 43% for the 75th percentile. The 90th percentile (worst-case scenario) was better estimated as 1/6× median OS, and the 75th percentile (lower-typical) as 1/3× median OS. CONCLUSIONS: Simple multiples of the median OS are a useful framework to estimate scenarios for survival for patients receiving targeted therapies, not immunotherapy. Longer follow-up is required to estimate upper-typical and best-case scenarios.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».