Anti-Thrombotic Therapy to Ameliorate Complications of COVID-19 (ATTACC): Study design and methodology for an international, adaptive Bayesian randomized controlled trial
Notice bibliographique
Résumé
BACKGROUND: Mortality from COVID-19 is high among hospitalized patients and effective therapeutics are lacking. Hypercoagulability, thrombosis and hyperinflammation occur in COVID-19 and may contribute to severe complications. Therapeutic anticoagulation may improve clinical outcomes through anti-thrombotic, anti-inflammatory and anti-viral mechanisms. Our primary objective is to evaluate whether therapeutic-dose anticoagulation with low-molecular-weight heparin or unfractionated heparin prevents mechanical ventilation and/or death in patients hospitalized with COVID-19 compared to usual care. METHODS: An international, open-label, adaptive randomized controlled trial. Using a Bayesian framework, the trial will declare results as soon as pre-specified posterior probabilities for superiority, futility, or harm are reached. The trial uses response-adaptive randomization to maximize the probability that patients will receive the more beneficial treatment approach, as treatment effect information accumulates within the trial. By leveraging a common data safety monitoring board and pooling data with a second similar international Bayesian adaptive trial (REMAP-COVID anticoagulation domain), treatment efficacy and safety will be evaluated as efficiently as possible. The primary outcome is an ordinal endpoint with three possible outcomes based on the worst status of each patient through day 30: no requirement for invasive mechanical ventilation, invasive mechanical ventilation or death. CONCLUSION: Using an adaptive trial design, the Anti-Thrombotic Therapy To Ameliorate Complications of COVID-19 trial will establish whether therapeutic anticoagulation can reduce mortality and/or avoid the need for mechanical ventilation in patients hospitalized with COVID-19. Leveraging existing networks to recruit sites will increase enrollment and mitigate enrollment risk in sites with declining COVID-19 cases.
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 | 0,178 | 0,172 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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.
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 ».