De-escalation trials do not always need to be noninferiority: a case for superiority design de-escalation trials in oncology
Notice bibliographique
Résumé
De-escalation trials in oncology have received increased attention recently because there is a growing concern that patients with cancer are being overtreated-more patients (than would benefit) are being treated, earlier in the disease course, at a higher dose, for a longer duration, at a higher frequency. Thus, it is important to understand if less treatment allows us to achieve similar outcomes, a strategy referred to as de-escalation of treatment. However, one of the major concerns with such de-escalation strategies is the possibility of compromising treatment efficacy. Although de-escalated treatment with lesser therapeutic burden is a worthwhile goal in itself because it leads to less physical, financial, and time toxicities, de-escalation cannot come at a substantial compromise of treatment efficacy. The commonest way to test whether such de-escalation strategies are safe and do not lead to unacceptable compromise in efficacy is through a noninferiority design trial. Such trials require a larger sample size and, thus, more funding and longer time to be completed. However, de-escalation trials do not necessarily need to be a noninferiority design. In this article, I make a case for using a superiority design to test de-escalation strategies. This will avoid the limitations of noninferiority design and make de-escalation strategies more efficient to test.
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 | 0,575 | 0,724 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,005 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,014 |
| Communication savante | 0,007 | 0,013 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,008 | 0,018 |
| 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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».