Patient enrollment and logistical problems top the list of difficulties in clinical research: a cross-sectional survey
Notice bibliographique
Résumé
BACKGROUND: Many medical research projects encounter difficulties. The objective of this study was to assess the self-reported frequency of difficulties encountered by medical researchers while conducting research and to identify factors associated with their occurrence. METHODS: The authors conducted a cross-sectional survey in 2010 among principal investigators of 996 study protocols approved by the Research Ethics Committee in Geneva, Switzerland, between 2001 and 2005. The authors asked principal investigators to rate the level of difficulty (1: none, to 5: very great) encountered across the research process. RESULTS: 588 questionnaires were sent back (participation rate 59.0 %). 391 (66.5 %) studies were completed at the time of the survey. Investigators reported that the most frequent difficulties were related to patient enrollment (44.3 %), data collection (26.7 %), data analysis and interpretation (21.5 %), collaboration with caregivers (21.0 %), study design (20.4 %), publication in peer-reviewed journal (20.2 %), hiring of competent study personnel (20.2 %), and getting funding (19.2 %). On average, investigators reported 2.8 difficulties per project (SD 2.8, range 0 to 12). In multivariable analysis, the number of difficulties was higher for studies initiated by public sponsors (vs. private), single center studies (vs. multicenter), and studies about treatment, diagnosis or prognosis (i.e., clinical vs. other studies). CONCLUSIONS: Medical researchers reported substantial logistical difficulties in conducting clinical research.
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 | 0,454 | 0,904 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,024 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».