A theoretical framework for early human studies: uncertainty, intervention ensembles, and boundaries
Notice bibliographique
Résumé
Clinical development of novel therapeutics begins with a coordinated sequence of early phase clinical trials. Such early human studies confront a series of methodological and ethical challenges. In what follows, I propose a theoretical framework for early human studies aimed at informing the negotiation of these challenges. At the outset of clinical development, researchers confront a virtually undifferentiated landscape of uncertainty with respect to three variables: outcomes, their probability of occurrence, and operation dimensions needed to effectuate favorable outcomes. Early human trials transform this uncertain landscape into one where there are grounds for belief about risk and benefit for various combined operation dimensions. To accomplish this, studies set out with two aims. First, they identify a set of operation dimensions that, when combined as a package (intervention ensemble), elicits a reasonable probability of a target outcome. Second, they define the boundaries of dimension values within an intervention ensemble. This latter aim entails exposing at least some volunteers in early studies to treatments that are inactive or excessive. I provide examples that illustrate the way early human studies discover and delimit intervention ensembles, and close by offering some implications of this framework for ethics, methodology, and efficiency in clinical development of new interventions.
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 | 0,501 | 0,501 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,005 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,080 |
| Communication savante | 0,014 | 0,025 |
| Science ouverte | 0,010 | 0,015 |
| Intégrité de la recherche | 0,015 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».