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 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 | 0,016 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».