Benefit–risk assessment and reporting in clinical trials of chronic pain treatments: IMMPACT recommendations
Notice bibliographique
Résumé
ABSTRACT: Chronic pain clinical trials have historically assessed benefit and risk outcomes separately. However, a growing body of research suggests that a composite metric that accounts for benefit and risk in relation to each other can provide valuable insights into the effects of different treatments. Researchers and regulators have developed a variety of benefit-risk composite metrics, although the extent to which these methods apply to randomized clinical trials (RCTs) of chronic pain has not been evaluated in the published literature. This article was motivated by an Initiative on Methods, Measurement, and Pain Assessment in Clinical Trials consensus meeting and is based on the expert opinion of those who attended. In addition, a review of the benefit-risk assessment tools used in published chronic pain RCTs or highlighted by key professional organizations (ie, Cochrane, European Medicines Agency, Outcome Measures in Rheumatology, and U.S. Food and Drug Administration) was completed. Overall, the review found that benefit-risk metrics are not commonly used in RCTs of chronic pain despite the availability of published methods. A primary recommendation is that composite metrics of benefit-risk should be combined at the level of the individual patient, when possible, in addition to the benefit-risk assessment at the treatment group level. Both levels of analysis (individual and group) can provide valuable insights into the relationship between benefits and risks associated with specific treatments across different patient subpopulations. The systematic assessment of benefit-risk in clinical trials has the potential to enhance the clinical meaningfulness of RCT results.
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 | 0,629 | 0,227 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 | 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 ».