MétaCan
Menu
← Retour à la cohorte
Enregistrement W3121969786 · doi:10.20944/preprints202001.0209.v1

More than a Box to Check: Research Sponsor and Clinical Investigator Perspectives on Making GCP Training Relevant

2020· preprint· en· W3121969786 sur OpenAlexaff
Teresa Swezey, F. Hunter McGuire, Patricia A. Hurley, Janette Panhuis, Kathy Goldstein, Tina Chuck, Carrie Dombeck, Brian Perry, Christina Brennan, Natasha Phrsai, Amy Corneli

Notice bibliographique

RevuePreprints.org · 2020
Typepreprint
Langueen
DomaineMedicine
ThématiqueEthics in Clinical Research
Établissements canadiensPopulation Health Research Institute
Organismes subventionnairesnon disponible
Mots-clésClinical trialProtocol (science)Quality (philosophy)Thematic analysisMedical educationGood clinical practiceMedicinePsychologyQualitative researchAlternative medicine

Résumé

récupéré en direct d'OpenAlex

Background: Good clinical practice (GCP) training is the industry standard for ensuring the quality conduct of registrational clinical trials. However, concerns have been raised about whether the current structure and delivery of GCP training sufficiently prepares clinical investigators and their delegates to conduct clinical trials. Methods: We conducted qualitative semi-structured interviews with 13 clinical investigators and 10 research sponsors to 1) examine characteristics of the quality conduct of sponsored clinical trials, including critical tasks and concerns perceived as essential for trial quality, 2) identify key knowledge and skills required to perform critical tasks, and 3) identify gaps and redundancies in GCP training and areas of improvement to ensure the quality conduct of clinical trials. We used applied thematic analysis to analyze the data. Results: The top three tasks identified as critical for the quality conduct of clinical trials were obtaining informed consent, ensuring protocol compliance, and protecting participants’ health and safety. Respondents acknowledged that GCP principles address each of these critical tasks; however, they described many challenges and burdens of GCP training, including high training frequency and repetitive content. Respondents suggested moving beyond GCP training as a mere check-box activity by making it more effective, engaging, and interactive. They also emphasized that applying GCP principles in a real-world, skills-based environment would increase the relevance of GCP training to investigators and their delegates. Conclusion: Our findings indicate that although investigators and sponsors recognize that GCP training addresses critical tasks necessary to the quality conduct of clinical trials, they articulated the need for significant improvement in the design, content, and presentation of GCP training.

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)0,332
score de la tête « metaresearch » (Gemma)0,412
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,668
Score d'incertitude au seuil0,824

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,3320,412
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0190,024
Communication savante0,0160,013
Science ouverte0,0050,020
Intégrité de la recherche0,0140,015
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,881
Tête enseignante GPT0,674
Écart entre enseignants0,206 · 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'étudeQualitatif
DomaineMéthodes
GenreEmpirique

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

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreprints.org→Même sujetEthics in Clinical Research→Travaux en français237 207→