Analyzing multiple endpoints in clinical trials of pain treatments: IMMPACT recommendations
Notice bibliographique
Résumé
The increasing complexity of randomized clinical trials and the practice of obtaining a wide variety of measurements from study participants have made the consideration of multiple endpoints a critically important issue in the design, analysis, and interpretation of clinical trials. Failure to consider important outcomes can limit the validity and utility of clinical trials; specifying multiple endpoints for the evaluation of treatment efficacy, however, can increase the rate of false positive conclusions about the efficacy of a treatment. We describe the use of multiple endpoints in the design, analysis, and interpretation of pain clinical trials, and review available strategies and methods for addressing multiplicity. To decrease the probability of a Type I error (i.e., the likelihood of obtaining statistically significant results by chance) in pain clinical trials, the use of gatekeeping procedures and other methods that correct for multiple analyses is recommended when a single primary endpoint does not adequately reflect the overall benefits of treatment. We emphasize the importance of specifying in advance the outcomes and clinical decision rule that will serve as the basis for determining that a treatment is efficacious and the methods that will be used to control the overall Type I error rate.
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 | 0,306 | 0,476 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,013 | 0,014 |
| Bibliométrie | 0,013 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,007 | 0,013 |
| Science ouverte | 0,011 | 0,005 |
| Intégrité de la recherche | 0,016 | 0,023 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,007 |
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 ».