Patients’ voices matter: Translating pretreatment patient-reported outcomes into high and low health-related quality of life provides a new clinical aspect on prognosis and survival in patients with previously untreated diffuse large B‐cell lymphoma.
Notice bibliographique
Résumé
e23165 Background: Patient-reported health-related quality of life (HRQoL) measures collected prior to treatment initiation have been shown to be prognostic of disease outcomes and survival in patients with previously untreated diffuse large B-cell lymphoma (DLBCL), including progression-free survival (PFS) and overall survival (OS), However, these HRQoL measures are usually expressed as numbers from a scale (e.g. from 0 to 100), which limit their ease of clinical utility compared to binary scales (i.e. high vs. low). Using HRQoL measures collected from the phase 3 study GOYA, we aim to convert these measures into binary scales by identifying optimal cutoffs and demonstrate their clinical utility in differentiating patient risks in DLBCL. Methods: HRQoL data from the physical functioning (PF2), global health status (QL2), and fatigue (FA) scales from the EORTC QLQ-C30 questionnaire and the lymphoma subscale (LYMS) from the FACT-LYM questionnaire were used in this analysis. The optimal cutoff points were identified using statistical metrics that evaluate the prognostic value and goodness-of-fit for each assessed cutoff point. The top performing binary HRQoL scale was further assessed in its clinical utility as an addition to the Internal Prognostic Index (IPI), a standard risk classification tool in DLBCL based on 5 binary measures of patient baseline characteristics, to evaluate whether adding the HRQoL scale would potentially improve the risk classification. Results: As shown in the table, while all binary scales can clearly differentiate patient overall survival (demonstrated by the hazard ratios), PF2 numerically exhibited the best performance, and was further assessed as an addition to IPI. After adding PF2 to the base OS model containing only IPI, we observed improvements in model performance metrics, including the concordance index and the goodness-of-fit. In addition, among patients classified as high risk by IPI (n = 185, 3-yr OS: 65% [95% CI 68-72%]), those with low HRQoL (n = 102, 3-yr OS: 56% [95% CI 47-67%]) had a substantially worse OS, suggesting that further refinement of patient-risk defined by IPI may be feasible with HRQoL measures. Conclusions: Our work highlights the potential of the binary HRQoL scales to provide additional prognostic value to IPI, and suggests that patient reported outcomes may be useful in further refining patient risk classification in addition to IPI in untreated DLBCL. [Table: see text]
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».