Screening Intervention to Identify Eligible Patients and Improve Accrual to Phase II-IV Oncology Clinical Trials
Notice bibliographique
Résumé
PURPOSE: Low enrolment rates in clinical trials present a barrier to the development of novel cancer therapies. Currently, only 3% of patients with cancer participate, and many studies fail to achieve necessary enrolment. The objective of this study was to evaluate whether a screening intervention to identify potentially eligible patients (PEPs) would increase accrual rates. PATIENTS AND METHODS: Over a 4-month intervention period, PEPs for 21 phase II-IV breast, gastrointestinal, genitourinary, gynecology, and lung cancer trials were identified by a screening coordinator. This individual reviewed the electronic medical records of patients attending outpatient clinics and flagged PEPs for 10 medical oncologists at the BC Cancer Agency. Patients who were already documented to be trial eligible by physicians were not flagged. Oncologists were surveyed regarding the helpfulness and accuracy of the intervention. RESULTS: During the intervention period, 73 patients were enrolled, compared with 61 patients enrolled in the 4 months prior and 51 patients in the 4 months after. A total of 2,098 charts were reviewed, and 120 PEPs were identified during the intervention period, resulting in 19 PEPs who enrolled and four PEPs who declined a clinical trial. Relative accrual rates adjusted for oncologist appointments were 0.85 (P = .15) before and 0.70 (P < .005) after, relative to the intervention period. Oncologist-returned surveys indicated that 67% of flags were helpful, and 70% were accurate. CONCLUSIONS: In this study, manually screening patient records increased enrolment to specific clinical trials. A screening intervention process, involving a dedicated screening coordinator, should be considered to improve clinical trial accrual.
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 | 0,080 | 0,529 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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; les deux têtes enseignantes 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 ».