Sample Size Estimates for Clinical Trials of Vasospasm in Subarachnoid Hemorrhage
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Clinical trials for prevention of vasospasm after aneurysmal subarachnoid hemorrhage (SAH) seldom have improved overall outcome; one reason may be inadequate sample size. We used data from the tirilizad trials and the Columbia University subarachnoid hemorrhage outcomes project to estimate sample sizes for clinical trials for reduction of vasospasm after SAH, assuming trials must show effect on 90-day patient-centered outcome. METHODS: Sample size calculations were based on different definitions of vasospasm, enrichment strategies, sensitivity of short- and long-term outcome instruments for reflecting vasospasm-related morbidity, different event rates of vasospasm, calculation of effect size of vasospasm on outcome instruments, and different treatment effect sizes. Sensitivity analysis was performed for variable event rates of vasospasm for a given treatment effect size. Sample size tables were constructed for different rates of vasospasm and outcome instruments for a given treatment effect size. RESULTS: Vasospasm occurred in 12% to 30% of patients. Symptomatic deterioration and infarction from vasospasm exhibited the strongest relationship to mortality and morbidity after SAH. Enriching for vasospasm by selection of patients with thick SAH slightly decreased sample sizes. Assuming beta=0.80, alpha=0.05 (2-tailed) and treatment effect size of 50%, total sample size exceeds 5000 patients to demonstrate efficacy on 3-month patient-centered outcome (modified Rankin Scale). CONCLUSIONS: Clinical trials targeting vasospasm and using traditional patient-centered outcome require very high sample sizes and will therefore be costly, time-consuming, and impractical. This will hinder development of new treatment strategies.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».