Increasing Efficiency of Recruitment in Early Parkinson’s Disease Trials: A Case Study Examination of the STEADY-PD III Trial
Notice bibliographique
Résumé
BACKGROUND: Challenges in clinical trial recruitment threaten the successful development of improved therapies. This is particularly true in Parkinson's disease (PD) studies of disease modification where the population of interest is difficult to find and study design is more complex. OBJECTIVE: This paper seeks to understand how STEADY PD III, a National Institute of Neurological Disorders and Stroke (NINDS) funded phase 3 trial evaluating the efficacy of isradipine as a disease modifying agent for PD, was able to recruit their full target population 6 months ahead of schedule. METHODS: STEADY PD III aimed to enroll 336 individuals with early stage idiopathic PD within 18 months using 57 sites across the United States and Canada. The study included a 10% NIH minority recruitment goal. Eligible participants agreed to be followed for up to 36 months, complete 12 in-person visits and 4 telephone visits. A Recruitment Committee of key stakeholders was critical in the development of a comprehensive recruitment strategy involving: multi-modal outreach, protocol modifications and comprehensive site selection and activation. Efforts to increase site-specific minority recruitment strategies were encouraged through additional funding. RESULTS: A total of 336 individuals, including 34 minorities, were enrolled within 12 months - 6 months ahead of the projected timeline. Quantitative analysis of recruitment activity questionnaires found that of the sites that completed them (n = 54), (20.4%) met goals, (24.1%) exceeded goals, and (55.6%) fell below projected goals. Referral sources completed at time of screening indicate top four study referral sources as: site personnel (53.8%); neurologists (24%); Fox Trial Finder (10.2%); and communications from The Michael J. Fox Foundation (3.9%). CONCLUSIONS: STEADY PD III serves as an important example of methods that can be used to increase clinical trial recruitment. This research highlights a continued need to improve site infrastructure and dedicate more resources to increased participation of minorities in 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 | 0,039 | 0,131 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 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; 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 ».