How Can Institutional Review Boards Best Interpret Preclinical Data?
Notice bibliographique
Résumé
Among the many challenges facing institutional review boards (IRBs) is to predict whether the activities and interventions proposed in a clinical trial protocol are likely to yield net harm or net benefit for trial participants. IRBs take these questions very seriously, and never more so than in the review of first-in-human (FIH) trials, where interpreting findings about risks to humans from animal data requires a leap of faith, regardless of the quality of the available data. In their paper published this week in PLoS Medicine [1], “Predicting harms and benefits in translational trials: Ethics, evidence, and uncertainty,” Jonathan Kimmelman and Alex London argue that decision-makers (which, from the context of their paper, I assume to mean IRB members) pay insufficient attention to threats to validity in preclinical studies and consult too narrow a set of evidence, thereby unnecessarily limiting predictions about risks and potential benefits for humans that they might otherwise be able to make. They advocate greater attention to the quality of preclinical evidence and to research on related agents. These strategies are meant to reduce what they call the “misestimation” of risks or anticipated benefits, which they argue “threatens the integrity of the scientific enterprise, because it frustrates prudent allocation of research resources”[1]. Kimmelman and London's proposal is likely to stimulate a great deal of constructive debate among clinical trialists, regulators, and other members of the research ethics community. In my brief comments here, I will attempt to open this debate by identifying a key aspect of their proposal that is likely to generate particular interest and perhaps even some controversy—that is, their framing of the problem in terms of how effectively decision-makers utilize evidence from preclinical or animal studies. Although IRB members often do not have deep grounding in the subtleties of research design and inferential statistics, it would be wrong to suggest that “misestimation” of risk and potential benefit arises solely from errors by IRB members (or other decision-makers).
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 | 0,833 | 0,910 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,005 |
| Méta-épidémiologie (sens large) | 0,007 | 0,005 |
| Bibliométrie | 0,016 | 0,016 |
| Études des sciences et des technologies | 0,015 | 0,052 |
| Communication savante | 0,072 | 0,084 |
| Science ouverte | 0,021 | 0,025 |
| Intégrité de la recherche | 0,054 | 0,057 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,013 |
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 ».