Identifying Barriers to Accrual in Radiation Oncology Randomized Trials
Notice bibliographique
Résumé
Background: Data about factors driving accrual to radiation oncology trials are limited. In oncology, 30%–40% of trials are considered unsuccessful, many because of poor accrual. The goal of the present study was to inform the design of future trials by evaluating the effects of institutional, clinician, and patient factors on accrual rates to a randomized radiation oncology trial. Methods: Investigators participating in sabr-comet (NCT01446744), a randomized phase ii trial open in Canada, Europe, and Australia that is evaluating the role of stereotactic ablative radiotherapy (sabr) in oligometastatic disease, were invited to complete a survey about factors affecting accrual. Institutional ethics approval was obtained. The primary endpoint was the annual accrual rate per institution. Univariable and multivariable linear regression analyses were used to identify factors predictive of annual accrual rates. Results: On univariable linear regression analysis, off-trial availability of sabr (p = 0.014) and equipoise of the referring physician (p = 0.014) were found to be predictive of annual accrual rates. The annual accrual rates were lower when centres offered sabr for oligometastases off-trial (median: 3.7 patients vs. 8.4 patients enrolled) and when referring physicians felt that, compared with having equipoise, sabr was beneficial (median: 4.8 patients vs. 8.4 patients enrolled). Multivariable analysis identified perceived level of equipoise of the referring physician to be predictive of the annual accrual rate (p = 0.023). Conclusions: The level of equipoise of referring physicians might play a key role in accrual to radiation oncology randomized controlled trials. Efforts to communicate with and educate referring physicians might therefore be beneficial for improving trial accrual rates.
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 | 0,050 | 0,564 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| 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 | 0,001 | 0,002 |
| 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 ».