Quality assurance metrics in clinical trial conduct.
Notice bibliographique
Résumé
274 Background: Quality assurance (QA) in clinical trials is a safeguard against non-compliance, which impacts patient safety and data integrity. On an institutional level, compiling quality findings provides insight to gaps within existing processes, protocol compliance, and educational content. A QA metrics methodology has been implemented, which is streamlined with the ICH-GCP, and institutional Standard Operating Procedures (SOPs) and policies. Methods: Individual findings are assigned an alphanumerical code, based on severity and category, and a reference for each Quality Assurance Review (QAR). Annual data is tracked for all QAR findings. Different data sets are created to allow for analysis of quality gaps and quality changes over time. Results are used in the creation or revision of educational content, SOPs, and to drive process improvement. Results: To date, a total of 1608 QAR observations between 2014 and mid-2015 have been coded and tracked across 22 studies. Areas of quality gaps, such as most-cited categories (e.g. 27% in Source Documentation and 13% in Regulatory) and references (e.g. 30% on SOPs and 14% on guidelines), are communicated to the Quality and Education team regularly and incorporated into training content. This has also prompted the development of new SOPs, processes, and research tools, after which QA metrics continues to be used to monitor program wide quality improvement. For example, following the implementation of Electronic Source Documentation, the proportion of findings on delays in Adverse Event sign off has seen a decline. For individual QARs, a personalized trends summary is provided to the study team with an overview of the quality of the study conduct. The report displays the distribution of findings across different categories and severity levels. Lastly, quality metrics has increased the efficiency of tracking and reporting program wide QA activity. Conclusions: The regular analysis of quality metrics has proven to be a pivotal step in the Quality Management Cycle. It presents a quick snap shot of the quality of individual research studies under review. When implemented on an institutional scale, it offers valuable feedback on the current SOPs, processes, and training content.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,569 | 0,747 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,017 | 0,021 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,014 | 0,009 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».