Practical Aspects of Recruitment and Retention in Clinical Trials of Rare Genetic Diseases: The Phenylketonuria (PKU) Experience
Notice bibliographique
Résumé
Bringing treatments for rare genetic diseases to patients requires clinical research. Despite increasing activism from patient support and advocacy groups to increase access to clinical research studies, connecting rare disease patients with the clinical research opportunities that may help them has proven challenging. Chief among these challenges are the low incidence of these diseases resulting in a very small pool of known patients with a particular disease, difficulty of diagnosing rare genetic diseases, logistical issues such as long distances to the nearest treatment center, and substantial disease burden leading to loss of independence. Using clinical studies of phenylketonuria as an example, this paper discusses how, based on the authors' collective experience, partnership among clinicians, patients, study coordinators, genetic counselors, dietitians, industry, patient support groups, and families can help overcome the challenges of recruiting and retaining patients in rare disease clinical trials. We discuss specific methods of collaboration, communication, and education as part of a long-term effort to build a community committed to advancing the medical care of patients with rare genetic diseases. By talking to patients and families regularly about research initiatives and taking steps to make study participation as easy as possible, rare disease clinic staff can help ensure adequate study enrollment and successful study completion.
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 | 0,208 | 0,243 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,007 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,004 | 0,013 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».