Re-analyzing Heart Failure Treatment Outcomes Based on Patient Preferences: A Study Using Data from Multiple Clinical Trials
Notice bibliographique
Résumé
Heart failure (HF) is a serious condition affecting many adults worldwide, leading to poor quality of life, shorter life expectancy, and frequent hospitalizations. Patients with HF have multiple medication options, each with different benefits and risks. Deciding on the best treatment is complex for both patients and doctors, as it involves considering various factors, including survival, quality of life, and potential side effects. Current clinical trials often assess medications based on broad outcomes, like the time to a significant event (such as death or hospitalization), but these trials can be difficult to interpret for individual patients because the impact of treatments can vary greatly. To address this, a new method called the "win ratio" has been developed. The win ratio compares different treatments by looking at several important outcomes, such as survival, side effects, and quality of life, and ranks them based on what matters most. This method allows us to weigh each treatment’s benefits and drawbacks more clearly, based on what is important to patients. For example, if a patient values living a longer life but is okay with a few side effects, the win ratio helps us determine which treatment provides the best balance of benefits. However, no study has yet used patient preferences to decide which outcomes are the most important in the win ratio analysis. This is where our study comes in. We aim to re-analyze existing large clinical trials on HF treatments by incorporating patients' personal preferences into the win ratio. To do this, we will use a technique called discrete-choice experiments (DCEs). In a DCE, patients are asked to choose between different treatment options that vary based on key factors, such as how well the treatment helps the heart, how it affects their daily life, and whether there are side effects. For example, patients might be asked if they would prefer a treatment with a high chance of survival but some side effects, or a treatment with fewer side effects but less effective in improving health. This helps us understand what is most important to each patient in their treatment decision. By applying these preferences to the win ratio, we can better understand how different treatments perform according to what patients truly value. In this way, we hope to make treatment decisions more personal and patient-centered, ensuring that treatments are better suited to the diverse needs and preferences of individuals with heart failure.
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 | 0,269 | 0,457 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,037 |
| Bibliométrie | 0,006 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».