Industry Sponsorship and Authorship of Clinical Trials Over 20 Years
Notice bibliographique
Résumé
BACKGROUND: The pharmaceutical industry has become a major source of funding for biomedical research. Our general observation is that pharmaceutical industry employees are appearing with increasing frequency as coauthors of clinical trial publications. OBJECTIVE: To characterize clinical trial funding, reporting, and sources; investigate author-industry affiliation; and describe clinical outcome trends over time. METHODS: We reviewed 500 randomly selected clinical trials published in 5 influential medical journals over a 20-year period (1981-2000). RESULTS: Of the 500 clinical trials reviewed, 181 (36%) involved pharmaceutical industry as an independent (n = 104) or joint (n = 77) sponsor and 180 (36%) involved a peer-review funding source; the balance (139; 28%) lacked any declared sponsorship. The percentage of industry-sponsored clinical trials increased to 62% during 1997-2000. The percentage of nonprofit sponsored clinical trials remained constant over time, while the percentage of those without funding declaration declined. Reported author affiliation with industry increased to 66% of clinical trials sponsored only by industry. An increase in the percentage of clinical trials with reported author-industry affiliation was observed for all journals. Regardless of funding source, the majority of clinical trials reported clinical outcomes that favored the study drug. CONCLUSIONS: Pharmaceutical industry-sponsored and mixed-funding clinical trials are common, and the relative incidence of published trials with these declared funding sources in the 5 journals reviewed has increased. Industry employees are appearing as coauthors of clinical trial publications with increasing frequency.
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 | 0,036 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,009 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».