Crossing borders: the need for empirical evidence of real-world evidence transportability in oncology
Notice bibliographique
Résumé
WHAT IS THIS ARTICLE ABOUT?: This article discusses the challenges of using non local real-world evidence (RWE) in health technology assessments (HTA) when local data are unavailable, insufficient, or inappropriate. HTA organizations often prefer data collected locally or regionally, but the lack of suitable data in many markets has increased interest in understanding data 'transportability' - whether data from one country or population can be used to predict outcomes in another. Established in 2024, the Flatiron Fostering Oncology RWE Use Cases and Methods (FORUM) research consortium is exploring when and how non-local RWE can be effectively applied, with initial work focused on lung cancer, breast cancer and multiple myeloma. WHAT DOES THE EVIDENCE SUGGEST SO FAR?: Initial studies suggest RWE from the US could predict outcomes in other countries with proper adjustment for population and treatment differences. Recent research in advanced non-small cell lung cancer demonstrated that adjusted US data provided comparable survival to real observed outcomes in Canada and the UK. This limited evidence base indicates that non-local RWE can help inform decision-making when local data is unavailable. WHAT STUDIES ARE NEEDED NEXT?: The FORUM consortium is expanding research to other cancer types and countries to better understand RWE transportability. Future studies will focus on comparing outcomes across diverse healthcare systems, identifying key variables for adjustment and developing guidelines for when and how non-local data can be used. These efforts aim to create a framework for the use of global RWE in oncology HTA decision-making.
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 | 0,190 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».