MétaCan
Menu
← Retour à la cohorte
Enregistrement W4405045474 · doi:10.1182/blood-2024-211916

Simplifying Eligibility Criteria for Clinical Trials in Immune Thrombocytopenia Using the Platelet Count Variability Index

2024· article· en· W4405045474 sur OpenAlexaff
Donald M. Arnold, Yang Liu, Na Li, Madison Cranstone, Syed Mahamad, Ishac Nazy

Notice bibliographique

RevueBlood · 2024
Typearticle
Langueen
DomaineMedicine
ThématiquePlatelet Disorders and Treatments
Établissements canadiensUniversity of CalgaryMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMedicineImmune thrombocytopeniaPlateletClinical trialInternal medicine

Résumé

récupéré en direct d'OpenAlex

Introduction Up to 15% of immune thrombocytopenia (ITP) patients are misdiagnosed because there is no unique ITP-specific biomarker and many syndromes can present with thrombocytopenia (Arnold et al, Blood Advances 2017). Errors in diagnosis can result in case mix and diluted treatment effects in clinical trials if non-ITP patients are permitted to enter. Clinical trial eligibility criteria that rely solely on the presence of severe thrombocytopenia may not adequately identify non-ITP patients. Conversely, the useful criterion of a previous response to ITP treatment is either too subjective and prone to recall bias, or too cumbersome to be feasible. The platelet count variability index (PVI) is a simple metric that quantifies platelet count fluctuations over time from 3 or more platelet count values. A high PVI can distinguish ITP patients from non-ITP patients independent of treatment. In this study, we modeled the performance of PVI as an eligibility criterion for ITP clinical trials. Methods Using consecutive patients with thrombocytopenia from the McMaster ITP registry, we determined the number of patients that were correctly identified as ITP based on the presence of severe thrombocytopenia plus a high PVI index, compared with patients with severe thrombocytopenia alone (worst-case scenario) or patients with severe thrombocytopenia plus a documented response to prior ITP treatment (best-case scenario). Patients were classified as ITP or non-ITP based on the clinical assessment at the last follow up in the registry. Severe thrombocytopenia was defined as an average platelet count <30 x109/L from 3 platelet counts in a 3-month period and no platelet count >35 x109/L. Previous response to treatment was defined as a platelet count >50 x 109/L within 4 weeks of starting corticosteroids, IVIG or Rh-immune globulin with a baseline platelet count <30 x109/L. We previously reported that the median (IQR) PVI for patients with definite ITP was 11.1 (9.7, 12.7) (Li et al, Blood Advances, 2021). In the context of improving clinical trial eligibility criteria, we prioritized a high positive predictive value (PPV) in our evaluation of PVI to minimize the risk of admitting non-ITP patients into an ITP trial. Results We identified 862 thrombocytopenic patients, of whom 501 (58.1%) had ITP and 361 (41.8%) had non-ITP. In the worst-case scenario, eligibility criteria that used severe thrombocytopenia alone identified 129 eligible patients, of whom 31 (24.0%) did not have ITP (PPV = 76.0%). In the best-case scenario, eligibility criteria that used severe thrombocytopenia plus a documented response to previous ITP treatment identified 42 eligible patients, of whom 2 (4.8%) did not have ITP (PPV = 95.2%). In comparison, our new strategy that used severe thrombocytopenia plus PVI >9.7 (25th quartile for definite ITP) identified 70 eligible patients, of whom 6 (8.6%) did not have ITP (PPV = 91.4%). Conclusion PVI is an objective metric that can be easily derived from a patient's previous platelet count values. A high PVI index was comparable to a previous response to ITP treatment in its ability to identify ITP patients and exclude non-ITP patients. PVI may be a useful eligibility criterion for ITP clinical trials.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,158
score de la tête « metaresearch » (Gemma)0,401
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,842
Score d'incertitude au seuil0,838

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1580,401
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,005
Bibliométrie0,0040,004
Études des sciences et des technologies0,0010,003
Communication savante0,0060,003
Science ouverte0,0030,004
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,188
Tête enseignante GPT0,501
Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeThéorique ou conceptuel
DomaineMéthodes
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBlood→Même sujetPlatelet Disorders and Treatments→Travaux en français237 207→