Adverse event assessment, analysis, and reporting in recent published analgesic clinical trials: ACTTION systematic review and recommendations
Notice bibliographique
Résumé
The development of valid and informative treatment risk-benefit profiles requires consistent and thorough information about adverse event (AE) assessment and participants' AEs during randomized controlled trials (RCTs). Despite a 2004 extension of the Consolidated Standards of Reporting Trials (CONSORT) statement recommending the specific AE information that investigators should report, there is little evidence that analgesic RCTs adequately adhere to these recommendations. This systematic review builds on prior recommendations by describing a comprehensive checklist for AE reporting developed to capture clinically important AE information. Using this checklist, we coded AE assessment methods and reporting in all 80 double-blind RCTs of noninvasive pharmacologic treatments published in the European Journal of Pain, Journal of Pain, and PAIN® from 2006 to 2011. Across all trials, reports of AEs were frequently incomplete, inconsistent across trials, and, in some cases, missing. For example, >40% of trials failed to report any information on serious adverse events. Trials of participants with acute or chronic pain conditions and industry-sponsored trials typically provided more and better-quality AE data than trials involving pain-free volunteers or trials that were not industry sponsored. The results of this review suggest that improved AE reporting is needed in analgesic RCTs. We developed an ACTTION (Analgesic, Anesthetic, and Addiction Clinical Trial Translations, Innovations, Opportunities, and Networks) AE reporting checklist that is intended to assist investigators in thoroughly and consistently capturing and reporting these critically important data in publications.
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 | 0,661 | 0,358 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,015 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».