MétaCan
Menu
Retour à la cohorte
Enregistrement W2995958680 · doi:10.1002/bjs.11509

Optimizing the design of invasive placebo interventions in randomized controlled trials

2020· article· en· W2995958680 sur OpenAlexfundno aff
Sian Cousins, Natalie Blencowe, Carmen Tsang, Katy Chalmers, Ameen Mardanpour, Andrew Carr, Marion Campbell, Jonathan Cook, David Beard, Jane Blazeby

Notice bibliographique

RevueBritish journal of surgery · 2020
Typearticle
Langueen
DomaineNeuroscience
ThématiquePain Management and Placebo Effect
Établissements canadiensnon disponible
Organismes subventionnairesMedical Research CouncilNational Institute for Health Research Biomedical Research Centre at Moorfields Eye Hospital NHS Foundation Trust and UCL Institute of OphthalmologyMedical Research Council CanadaDepartment of Health and Social CareUniversity of BristolNational Institute for Health and Care ResearchNIHR Biomedical Research Centre, Royal Marsden NHS Foundation Trust/Institute of Cancer Research
Mots-clésPsychological interventionMedicinePlaceboBlindingIntensive care medicineClinical study designRandomized controlled trialHealth careIntervention (counseling)Physical therapyClinical trialAlternative medicineSurgeryNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Placebo-controlled trials play an important role in the evaluation of healthcare interventions. However, they can be challenging to design and deliver for invasive interventions, including surgery. In-depth understanding of the component parts of the treatment intervention is needed to ascertain what should, and should not, be delivered as part of the placebo. Assessment of risk to patients and strategies to ensure that the placebo effectively mimics the treatment are also required. To date, no guidance exists for the design of invasive placebo interventions. This study aimed to develop a framework to optimize the design and delivery of invasive placebo interventions in RCTs. METHODS: A preliminary framework was developed using published literature to: expand the scope of an existing typology, which facilitates the deconstruction of invasive interventions; and identify placebo optimization strategies. The framework was refined after consultation with key stakeholders in surgical trials, consensus methodology and medical ethics. RESULTS: The resulting DITTO framework consists of five stages: deconstruct treatment intervention into constituent components and co-interventions; identify critical surgical element(s); take out the critical element(s); think risk, feasibility and role of placebo in the trial when considering remaining components; and optimize placebo to ensure effective blinding of patients and trial personnel. CONCLUSION: DITTO considers invasive placebo composition systematically, accounting for risk, feasibility and placebo optimization. Use of the framework can support the design of high-quality RCTs, which are needed to underpin delivery of healthcare interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,648
score de la tête « metaresearch » (Gemma)0,640
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: Méthodes
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,352
Score d'incertitude au seuil0,434

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,6480,640
Méta-épidémiologie (sens strict)0,0050,004
Méta-épidémiologie (sens large)0,0060,008
Bibliométrie0,0080,004
Études des sciences et des technologies0,0030,015
Communication savante0,0100,010
Science ouverte0,0060,008
Intégrité de la recherche0,0080,010
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,200
Tête enseignante GPT0,317
Écart entre enseignants0,117 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeThéorique ou conceptuel
DomaineMéthodes
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations22
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBritish journal of surgeryMême sujetPain Management and Placebo EffectTravaux en français237 207