Reducing the confusion and controversies around pragmatic trials: using the Cardiovascular Health Awareness Program (CHAP) trial as an illustrative example
Notice bibliographique
Résumé
UNLABELLED: Knowledge translation (KT) involves implementation of evidence-based strategies and guidelines into practice to improve the process of care and health outcomes for patients. Findings from pragmatic trials may be used in KT to provide patients, healthcare providers and policymakers with information to optimize healthcare decisions based on how a given strategy or intervention performs under the real world conditions. However, pragmatic trials have been criticized for having the following problems: i) high rates of loss to follow-up; ii) nonadherence to study intervention; iii) unblinded treatment and patient self-assessment, which can potentially create bias; iv) being less perfect experiments than efficacy trials; v) sacrificing internal validity to achieve generalizability; and vi) often requiring large sample sizes to detect small treatment effects in heterogeneous populations. In this paper, we discuss whether these criticisms hold merit, or if they are simply driven by confusion about the purpose of pragmatic trials. We use the Cardiovascular Health Awareness Program (CHAP) trial--a community randomized pragmatic trial designed to assess whether offering a highly organized, community-based CHAP intervention compared to usual care can reduce cardiovascular disease-related outcomes--to address these specific criticisms and illustrate how to reduce this confusion. TRIAL REGISTRATION: Current controlled trials ISRCTN50550004 (9 May 2007).
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 | 0,176 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes 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 ».