Outcomes and level of evidence in radiation therapy research and different categories of radiotherapy innovations: an ESTRO-VBRO bibliometrics analysis of the literature
Notice bibliographique
Résumé
AIM: The ESTRO-Value-Based Radiation Oncology project aims to enhance patient access to high-value radiotherapy innovations, by identifying interventions delivering meaningful benefit. To understand the role of the quality of evidence in implementation decisions, this paper analyses the study designs and endpoints used to appraise selected types of radiotherapy innovations in the literature. METHODS: This review used a quantitative bibliometric approach to analyse a representative set of 23 radiotherapy innovations, identified within the radiation therapy research published between 2012 and 2022 in the Web of Science database. Abstracts were searched manually to extract information about study designs and endpoints. Interventions were allocated into one of four defined radiotherapy categories, based on a decision algorithm developed in a parallel project. RESULTS: 3,721 abstracts were identified and categorised using the decision algorithm into four categories: Drug-centred, Radiation-centred, Radiation-enabling or Operational radiotherapy interventions. The study designs were highly variable across these categories: in Drug-centred innovations, 20.3% were clinical trials compared to 6.8% for Radiation-centred. The predominant design across all categories was Prospective observational studies, ranging from 53.9% in Radiation-enabling to 23.0% in Drug-centred innovations. Regarding endpoints, the main focus for Drug-centred innovations was on Clinical endpoints and Overall survival. For Radiation-centred and Radiation-enabling innovations, Toxicity endpoints were more frequently reported. CONCLUSION: This analysis demonstrates the differences in radiotherapy research output for various categories of radiotherapy interventions. This supports the development of a tailored appraisal strategy for each category, based on the required level of evidence and meaningful endpoints to support reimbursement and clinical implementation.
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 | 0,093 | 0,432 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,012 |
| Bibliométrie | 0,269 | 0,245 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».