Toward Inclusive Trial Protocols in Heterogeneous Neurological Disorders
Notice bibliographique
Résumé
BACKGROUND: Several novel drug- and cell-based potential therapies for spinal cord injury (SCI) have either been applied or will be considered for future clinical trials. Limitations on the number of eligible patients require trials be undertaken in a highly efficient and effective manner. However, this is particularly challenging when people living with incomplete SCI (iSCI) represent a very heterogeneous population in terms of recovery patterns and can improve spontaneously over the first year after injury. OBJECTIVE: The current study addresses 2 requirements for designing SCI trials: first, enrollment of as many eligible participants as possible; second, refined stratification of participants into homogeneous cohorts from a heterogeneous iSCI population. METHODS: This is a retrospective, longitudinal analysis of prospectively collected SCI data from the European Multicenter study about Spinal Cord Injury (EMSCI). We applied conditional inference trees to provide a prediction-based stratification algorithm that could be used to generate decision rules for the appropriate inclusion of iSCI participants to a trial. RESULTS: Based on baseline clinical assessments and a defined subsequent clinical endpoint, conditional inference trees partitioned iSCI participants into more homogeneous groups with regard to the illustrative endpoint, upper extremity motor score. Assuming a continuous endpoint, the conditional inference tree was validated both internally as well as externally, providing stable and generalizable results. CONCLUSION: The application of conditional inference trees is feasible for iSCI participants and provides easily implementable, prediction-based decision rules for inclusion and stratification. This algorithm could be utilized to model various trial endpoints and outcome thresholds.
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 | 0,569 | 0,592 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,006 | 0,011 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 ».