Examining external control arms in oncology: A scoping review of applications to date
Notice bibliographique
Résumé
OBJECTIVES: Randomized controlled trials (RCTs) are the gold standard for evaluating the comparative efficacy and safety of new cancer therapies. However, enrolling patients in control arms of clinical trials can be challenging for rare cancers, particularly in the context of precision oncology and targeted therapies. External Control Arms (ECAs) are a potential solution to address these challenges in clinical research design. We conducted a scoping review to explore the use of ECAs in oncology. METHODS: We systematically searched four databases, namely MEDLINE, EMBASE, Web of Science, and Scopus. We screened titles, abstracts, and full texts for eligible articles focusing on patients undergoing therapy for cancer, employing ECAs, and reporting clinical outcomes. RESULTS: Of the 629 articles screened, 23 were included in this review. The earliest included studies were published in 1996, while most studies were published in the past 5 years. 44% (10/23) of ECAs were employed in blood-related cancer studies. Geographically, 30% (7/23) of studies were conducted in the United States, 22% (5/23) in Japan, and 9% (2/23) in South Korea. The primary data sources used to construct the ECAs involved pooled data from previous trials (35%, 8/23), administrative health databases (17%, 4/23) and electronic medical records (17%, 4/23). While 52% (12/23) of the studies employed methods to align treatment and ECAs characteristics, 48% (11/23) lacked explicit strategies. CONCLUSION: ECAs offer a valuable approach in oncology research, particularly when alternative designs are not feasible. However, careful methodological planning and detailed reporting are essential for meaningful and reliable results.
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 | 0,007 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».