A comparison of interventional clinical trials in rare versus non-rare diseases: an analysis of ClinicalTrials.gov
Notice bibliographique
Résumé
OBJECTIVES: To provide a comprehensive characterisation of rare disease clinical trials registered in ClinicalTrials.gov, and compare against characteristics of trials in non-rare diseases. DESIGN: Registry based study of ClinicalTrials.gov registration entries. METHODS: The ClinicalTrials.gov registry comprised 133,128 studies registered to September 27, 2012. By annotating medical subject heading descriptors to condition terms we could identify rare and non-rare disease trials. A total of 24,088 Interventional trials registered after January 1, 2006, conducted in the United States, Canada and/or the European Union were categorised as rare or non-rare. Characteristics of the respective trials were extracted and summarised with comparative statistics calculated where appropriate. MAIN OUTCOME MEASURES: Characteristics of interventional trials reported in the database categorised by rare and non-rare conditions to allow comparison. RESULTS: Of the 24,088 trials categorised 2,759 (11.5%) were classified as rare disease trials and 21,329 (88.5%) related to non-rare conditions. Despite the limitations of the database we found that rare disease trials differed to non-rare disease trials across all characteristics that we examined. Rare disease trials enrolled fewer participants (median 29 vs. 62), were more likely to be single arm (63.0% vs. 29.6%), non-randomised (64.5% vs. 36.1%) and open label (78.7% vs. 52.2%). A higher proportion of rare disease trials were terminated early (13.7% vs. 6.3%) and proportionally fewer rare disease studies were actively pursuing, or waiting to commence, enrolment (15.9% vs. 38.5%). CONCLUSION: Rare disease interventional trials differ from those in non-rare conditions with notable differences in enrolment, design, blinding and randomisation. However, clinical trials should aim to implement the highest trial design standards possible, regardless of whether diseases are rare or not.
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 | 0,194 | 0,500 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,011 |
| Bibliométrie | 0,040 | 0,069 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».