Large Pediatric Randomized Clinical Trials in ClinicalTrials.gov
Notice bibliographique
Résumé
BACKGROUND: Large, randomized controlled trials (RCTs) are essential in answering pivotal questions in child health. METHODS: We created a bird's eye view of all large, noncluster, nonvaccine pediatric RCTs with ≥1000 participants registered in ClinicalTrials.gov (last search January 9, 2020). We analyzed the funding sources, countries, outcomes, publication status, and correlation with the pediatric global burden of disease (GBD) for eligible trials. RESULTS: We identified 247 large, nonvaccine, noncluster pediatric RCTs. Only 17 mega-trials with ≥5000 participants existed. Industry funding was involved in only 52 (21%) and exclusively funded 47 (19%) trials. Participants were from high-income countries (HICs) in 100 (40%) trials, from lower-middle-income countries (LMICs) in 122 (49%) trials, and from both HICs and LMICs in 19 (8%) trials; 6 trials did not report participants' country location. Of trials conducted in LMIC, 43% of investigators were from HICs. Of non-LMIC participants trials (HIC or HIC and LMIC), 39% were multicountry trials versus 11% of exclusively LMIC participants trials. Few trials (18%; 44 of 247) targeted mortality as an outcome. 35% (58 of 164) of the trials completed ≥12 months were unpublished at the time of our assessment. The number of trials per disease category correlated well with pediatric GBD overall (ρ = 0.76) and in LMICs (ρ = 0.69), but not in HICs (ρ = 0.29). CONCLUSIONS: Incentivization of investigator collaborations across diverse country settings, timely publication of results of large pediatric RCTs, and alignment with the pediatric GBD are of pivotal importance to ultimately improve child health globally.
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 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 | 0,076 | 0,318 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».