Harnessing the power of placebos in movement disorders: Insights from Parkinson's disease in clinical research and practice
Notice bibliographique
Résumé
The placebo effect alongside the detrimental nocebo and lessebo effects associated with the use of placebos are well-recognized phenomena. Research conducted in the last two decades has demonstrated that the placebo effect is a measurable health benefit with well-known neurobiological correlates. In this review, we describe the current knowledge about how to best make use of the placebo effect to improve clinical research and optimize clinical care. We will cover four key topics: (1) setting the stage: historical perspectives on the use of placebos; (2) optimizing the use of placebos in clinical trials; (3) use of placebos in clinical practice; and (4) how can we minimize the ethical risks of using placebos? The adoption of the placebo-controlled trial as a standard in the therapeutic development reduced the placebo effect to background noise in a therapeutic signal. Strategies to minimize the placebo effect in clinical trials have been used to obtain positive efficacy results. In more recent years, new study paradigms encouraged a change in the views on placebos and the placebo effect. Alternative study designs and the development of biomarkers for a placebo response permit a better understanding of the contribution of the placebo effect to the results of interventional studies, without minimizing it. In clinical practice, optimizing the placebo effect (and reducing nocebo effects) has the potential to improve care for our patients, but raises ethical challenges. An enhanced patient-physician relationship would be central to any evidence-based intervention used in clinical care to heighten the placebo effect. © 2018 International Parkinson and Movement Disorder Society.
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 | 0,011 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».