Challenges in conducting clinical trials in nephrology: conclusions from a Kidney Disease—Improving Global Outcomes (KDIGO) Controversies Conference
Notice bibliographique
Résumé
Despite the high costs of treatment of people with kidney disease and associated comorbid conditions, the amount of reliable information available to guide the care of such patients is very limited. Some treatments have been assessed in randomized trials, but most such trials have been too small to detect treatment effects of a magnitude that would be realistic to achieve with a single intervention. Therefore, KDIGO convened an international, multidisciplinary controversies conference titled "Challenges in the Conduct of Clinical Trials in Nephrology" to identify the key barriers to conducting trials in patients with kidney disease. The conference began with plenary talks focusing on the key areas of discussion that included appropriate trial design (covering identification and evaluation of kidney and nonkidney disease outcomes) and sensible trial execution (with particular emphasis on streamlining both design and conduct). Break out group discussions followed in which the key areas of agreement and remaining controversy were identified. Here we summarize the main findings from the conference and set out a range of potential solutions. If followed, these solutions could ensure future trials among people with kidney disease are sufficiently robust to provide reliable answers and are not constrained by inappropriate complexities in design or conduct.
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 | 0,693 | 0,680 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,007 | 0,011 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,010 | 0,021 |
| Communication savante | 0,039 | 0,033 |
| Science ouverte | 0,013 | 0,023 |
| Intégrité de la recherche | 0,056 | 0,110 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».