Augmented two-stage estimation for treatment switching in oncology trials: Leveraging external data for improved precision
Notice bibliographique
Résumé
Randomized controlled trials in oncology often allow control group participants to switch to experimental treatments, a practice that, while often ethically necessary, complicates the accurate estimation of long-term treatment effects. When switching rates are high or sample sizes are limited, commonly used methods for treatment switching adjustment (such as the rank-preserving structural failure time model, inverse probability of censoring weights, and two-stage estimation) may produce imprecise estimates. Real-world data can be used to develop an external control arm for the randomized controlled trial, although this approach ignores evidence from trial subjects who did not switch and ignores evidence from the data obtained prior to switching for those subjects who did. This article introduces "augmented two-stage estimation" (ATSE), a method that combines data from non-switching participants in a randomized controlled trial with an external dataset, forming a "hybrid non-switching arm". While aiming for more precise estimation, the augmented two-stage estimation requires strong assumptions. Namely, conditional on all the observed covariates: (1) a participant's decision to switch treatments must be independent of their post-progression survival, and (2) individuals from the randomized controlled trial and the external cohort must be exchangeable. With a simulation study, we evaluate the augmented two-stage estimation method's performance compared to two-stage estimation adjustment and an external control arm approach. Results indicate that performance is dependent on scenario characteristics, but when unconfounded external data are available, augmented two-stage estimation may result in less bias and improved precision compared to two-stage estimation and external control arm approaches. When external data are affected by unmeasured confounding, augmented two-stage estimation becomes prone to bias, but to a lesser extent compared to an external control arm approach.
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 | 0,103 | 0,266 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».