Hormonal therapy for breast cancer : measuring adherence in medical and administrative databases
Bibliographic record
Abstract
Les formes orales de traitements anticancéreux se sont considérablement développées récemment. La question de l’adhésion au traitement devient donc un nouvel enjeu en oncologie. Cette thèse aborde de façon générale le problème de l’adhésion aux traitements oraux en oncologie, et plus spécifiquement celui de la mesure en bases de données médico-administrativesde l’observance et de la persistance à l’hormonothérapie, traitement oral majeur dans le cancer du sein. Le point de vue retenu est celui de la pharmacoépidémiologie, à savoir l’étude des consommations pharmaceutiques en contexte clinique. La première partie de cette thèse fait le point sur les connaissances actuelles concernant l’adhésion à l’hormonothérapie - tamoxifène et inhibiteurs de l’aromatase (IA) - dans le cancer du sein. La seconde partie, reposant sur l’analyse de cohortes de patientes atteintes de cancer du sein sélectionnées à partir de (1) la UK General Practice Research Database et (2) des données de l’Assurance Maladie, a montré que : - Plus de la moitié des femmes de moins de 40 ans au diagnostic ne reçoivent plus de tamoxifène à 5 ans. Il s’agit du groupe de femmes le plus à risque d’arrêt prématuré de traitement. - Chez les femmes âgées de plus de 50 ans au diagnostic, les arrêts de traitement sont moins fréquents pour les IA que pour le tamoxifène. - Les déterminants associés à la non-persistance sont un faible soutien social et la déclaration précoce de non-prise de traitement par la patiente chez les femmes jeunes. Chez les femmes âgées, l’utilisation de médecines complémentaires et alternatives, la présence de comorbidités sont associées à une augmentation du risque d’arrêt de traitement. A contrario, la présence d’une poly-médication est associée à une diminution du risque d’arrêt.- Dans les études précédentes, une proportion importante de femmes reprend son traitement au moins une fois après l’avoir arrêté de façon prolongée. Les arrêts transitoires de traitements ont été pris en compte à l’aide de modèles multi-états. La probabilité d’arrêt de traitement estimée à partir de ces modèles est plus faible que celle mesurée par la méthode de Kaplan-Meier, après la première année de traitement. La non-adhésion à l’hormonothérapie est fréquente. Certains de ses déterminants sont modifiables ou peuvent servir à identifier précocement les patientes à risque de non-observance. La prise en compte des arrêts transitoires de traitement est importante dans la mesure de la persistance. L’adhésion est l’élément clé faisant le lien entre l’efficacité d’un traitement mesuréedans un essai clinique et son impact dans la vraie vie. Il est urgent de prendre conscience de l’importance de la non-adhésion des formes orales en oncologie
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.030 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".