Matching trial design decisions to the needs of those you hope will use the results: The PRECIS-2 tool
Notice bibliographique
Résumé
Randomised trials are hard work. Like much that is hard, this toil is only worth it because of the prospect of a substantial reward. Sadly, the reward to potential users such as patients, healthcare professionals and policy makers is often smaller than it should be because trial design decisions reduced the relevance of the trial to them. PRECIS-2 is a tool designed to help trialists match their design decisions to the information needs of those they hope will use the trial results. It is an update of the 2009 PRECIS tool, which though highly cited had some well-known weaknesses. PRECIS-2 was developed in collaboration with over 80 international trialists, methodologists and others to produce a tool that addressed those weaknesses but also supports improved design insight for trialists. PRECIS-2 retains the wheel format of the original tool. It has nine design domains including Eligibility, Recruitment, Setting and Primary outcome. A new domain Organisation is explicitly aimed at making trialists consider the resource requirements their intervention will place on health care systems if it were to be rolled out into routine care, the intention being to think about implementation at the design stage. The highly visual presentation makes inconsistent decision-making immediately obvious; it also highlights differences of opinion between trial team members. We will present the tool, explain how to use it and show examples of how it has been used already. This work is part of the Trial Forge initiative to improve trial efficiency. Authors’ details University of Aberdeen, Aberdeen, UK. University of Dundee, Dundee, UK. Western University, London, Canada. University of Toronto, Toronto, Canada.
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 | 0,010 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».