New directions in clinical trials for frontotemporal lobar degeneration: Methods and outcome measures
Notice bibliographique
Résumé
INTRODUCTION: Frontotemporal lobar degeneration (FTLD) is the most common form of dementia for those under 60 years of age. Increasing numbers of therapeutics targeting FTLD syndromes are being developed. METHODS: In March 2018, the Association for Frontotemporal Degeneration convened the Frontotemporal Degeneration Study Group meeting in Washington, DC, to discuss advances in the clinical science of FTLD. RESULTS: Challenges exist for conducting clinical trials in FTLD. Two of the greatest challenges are (1) the heterogeneity of FTLD syndromes leading to difficulties in efficiently measuring treatment effects and (2) the rarity of FTLD disorders leading to recruitment challenges. DISCUSSION: New personalized endpoints that are clinically meaningful to individuals and their families should be developed. Personalized approaches to analyzing MRI data, development of new fluid biomarkers and wearable technologies will help to improve the power to detect treatment effects in FTLD clinical trials and enable new, clinical trial designs, possibly leveraged from the experience of oncology trials. A computational visualization and analysis platform that can support novel analyses of combined clinical, genetic, imaging, biomarker data with other novel modalities will be critical to the success of these endeavors.
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 | 0,432 | 0,435 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».