Involvement of low- and middle-income countries in randomized controlled trial publications in oncology
Notice bibliographique
Résumé
BACKGROUND: We describe trends in participation by investigators from low- and middle-income countries (LMCs) in publications describing oncology randomized control trials (RCTs) over a decade. METHODS: We used Medline to identify RCTs published in English from 1998 to 2008 evaluating treatment in lung, breast, colorectal, stomach and liver cancers. Data on author affiliations, authorship roles, trial characteristics, funding and interventions were extracted from each article. Countries were stratified as low-, middle- or high-income using World Bank data. Interventions were categorized as requiring basic, limited, enhanced or maximal resources as per the Breast Health Global Initiative classification. Logistic regression was used to identify factors associated with authorship by investigators from LMCs. RESULTS: 454 publications were identified. Proportion of articles with at least one LMC author increased over time from 20% in 1998 to 29% in 2008 (p = 0.01), but almost all LMC authors were from middle-income countries. Proportion of articles with at least one LMC author was higher among articles that explicitly reported recruitment in at least one LMC vs those that did not (76% vs 13%). Among 87 articles (19%) that involved authors from LMCs, 17% had LMC authors as first or corresponding authors, and 67% evaluated interventions requiring enhanced or maximal resources. Factors associated with LMC authorship included industry funding (OR = 3.54, p = 0.0001), placebo comparator arm (OR = 2.57, p = 0.02) and palliative intent treatment (OR = 4.00, p = 0.0003). CONCLUSION: An increasing number of publications describing oncology RCTs involve authors from LMC countries but primarily in non-leadership roles in industry-funded trials.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».