Population-adjusted network meta-analyses (NMA) to evaluate the efficacy of treatment alternatives for metastatic hormone-sensitive prostate cancer (mHSPC).
Notice bibliographique
Résumé
267 Background: Existing NMA in mHSPC compare treatments assuming homogeneity in treatment effect modifiers across study populations. However, evidence suggests that these effects vary in mHSPC. This study employs the recent methods of multilevel network meta-regression (ML-NMR) and network meta interpolation (NMI) to adjust for population differences and predict relative effect estimates for an ARASENS-like target population. Methods: We used a systematic literature review to identify studies for our NMA on overall survival (OS) in mHSPC. We applied ML-NMR to adjust for imbalances in treatment effect modifiers by integrating individual patient data (IPD) regression from the ARASENS trial across the covariate distributions of comparator studies. The IPD was reconstructed from Kaplan-Meier curves for aggregate data studies, incorporating covariates age, ECOG performance status, Gleason score, and disease volume. Utilizing the same set of variables, NMI was employed to analyze subgroup data from comparator studies using reported hazard ratios. Results: Twelve studies were identified for inclusion in our analyses. The ML-NMR demonstrated a significant benefit for the darolutamide (daro) triplet compared to enzalutamide + ADT, apalutamide + ADT, abiraterone + ADT, and the abiraterone triplet in the ARASENS-like population. However, in the NMI analysis, the daro triplet was significantly favored over abiraterone + ADT when compared to other commonly utilized alternatives (Table). A key strength of the ML-NMR over NMI is that it only requires baseline characteristics to be reported, rather than subgroups which were relatively poorly reported or not powered to detect statistically significant differences. The NMI method suffered due to incomplete subgroup data, with full data for effect modifiers available in 8/12 studies. Conclusions: Both ML-NMR and NMI analyses support triplet benefit with ADT + docetaxel + daro in improving OS for patients with mHSPC. The evidence from ML-NMR is particularly robust, benefiting from the better covariate data and the attendant decrease in uncertainty. Hazard ratio from ML-NMR and NMI. Daro + docetaxel + ADT versus ML-NMR: OSHR (95% CrI) NMI: OSHR (95% CrI) SNA+ADT 0.28 (0.17, 0.46)* 0.36 (0.23, 0.56)* ADT 0.43 (0.32, 0.60)* 0.51 (0.39, 0.65)* Docetaxel + ADT 0.57 (0.42, 0.77)* 0.68 (0.57, 0.80)* Enzalutamide + ADT 0.64 (0.44, 0.96)* 0.80 (0.57, 1.11) Apalutamide + ADT 0.68 (0.46, 1.00)** 0.75 (0.55, 1.03) Abiraterone + ADT 0.65 (0.45, 0.92)* 0.65 (0.52, 0.81)* Abiraterone acetate + docetaxel + ADT 0.66 (0.47, 0.93)* 0.89 (0.59, 1.34) CrI: credible interval, SNA: standard nonsteroidal antiandrogen, ADT: androgen deprivation therapy, *upper CrI did not cross the line of no effect, **rounding, upper CrI limit treated as below 1.00.
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 | 0,031 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,030 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».