Synthetic target trial emulation and predictive modeling of amylin-pathway therapies for obesity and type 2 diabetes
Notice bibliographique
Résumé
Amylin-pathway therapies represent a novel therapeutic class for obesity and type 2 diabetes, however head-to-head comparative data and long-term outcome predictions remain limited. We conducted target trial emulation and computational predictive modeling aiming to predict future trial outcomes and comparative effectiveness across the amylin-pathway development program. Following PRISMA 2020 and TARGET framework guidelines, we search in the current literature for eligible trials and extracted data from seven randomized controlled trials (N=5,786 participants) of amylin-pathway therapies published up to September 2025. We reconstructed high-precision synthetic individual patient data (IPD) and developed computational models for virtual head-to-head comparisons, dose-response optimization, longitudinal trajectory prediction, and trial simulation. Network meta-analysis integrated evidence across CagriSema, cagrilintide, and amycretin formulations. Synthetic IPD reconstruction achieved >99% fidelity to source trials, validated through leave-trial-out cross-validation (efficacy RMSE: 2.9% points, calibration slope: 0.61; discontinuation RMSE: 0.18, slope: 1.08). Virtual head-to-head modeling confirmed CagriSema superiority over amycretin subcutaneous at matched timepoints (posterior probability >0.95). Dose-response modeling identified optimal amycretin exposures (ED80: 8.88 mg subcutaneous, 95% CI: 7.12-11.08), with benefit-risk frontier analysis delineating a therapeutic window at 10-20 mg balancing efficacy plateau against tolerability thresholds (GI-AE <75%, discontinuation <20%). Longitudinal kinetics showed plateau timing at 52-68 weeks for obesity outcomes and 24-32 weeks for glycemic endpoints. Heterogeneity analysis revealed complete resolution for GI adverse events (I 2 _DL = 0%, τ 2 = 0) and moderate variation for discontinuation (I 2 _DL = 13%, τ 2 = 0.03) after logit-scale correction with proper within-arm variance weighting. Machine learning models predicted treatment response with 82-87% accuracy using baseline characteristics. Synthetic target trial emulation with structured validation (leave-trial-out, posterior predictive checks, simulation-based calibration) demonstrated promising evidence for amylin-pathway development optimization. Benefit-risk frontier analysis identified an optimal 10-20 mg subcutaneous therapeutic window, and heterogeneity quantification through maximum a posteriori (MAP) predictive interval provides design-ready estimates for confirmatory trials requiring around 800-1,200 participants per arm for 90% power.
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 | 0,003 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».