Clinical research associates experience with missing patient reported outcomes data in cancer randomized controlled trials
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Missing patient reported outcomes data threaten the validity of PRO-specific findings and conclusions from randomized controlled trials by introducing bias due to data missing not at random. Clinical Research Associates are a largely unexplored source for informing understanding of potential causes of missing PRO data. The purpose of this qualitative research was to describe factors that influence missing PRO data, as revealed through the lived experience of CRAs. METHODS: Maximum variation sampling was used to select CRAs having a range of experiences with missing PRO data from academic or nonacademic centers in different geographic locations of Canada. Semistructured interviews were audio-recorded, transcribed verbatim, and analyzed according to descriptive phenomenology. RESULTS: Eleven CRAs were interviewed. Analysis revealed several factors that influence missing PRO data that were organized within themes. PROs for routine clinical care compete with PROs for RCTs. Both the paper and electronic formats have benefits and drawbacks. Missing PRO data are influenced by characteristics of the instruments and of the patients. Assessment of PROs at progression of disease is particularly difficult. Deficiencies in center research infrastructure can contribute. CRAs develop relationships with patients that may help reduce missing PRO data. It is not always possible to provide sufficient time to complete the instrument. There is a need for field guidance and a motivation among CRAs to contribute their knowledge to address issues. CONCLUSION: These results enhance understanding of factors influencing missing PRO data and have important implications for designing operational solutions to improve data quality on cancer RCTs.
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.
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 | 0,034 | 0,382 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle