Clinical trial research on COVID-19 in Germany – a systematic analysis
Notice bibliographique
Résumé
Background: In 2020, the COVID-19 pandemic led to an unprecedented volume of almost 3,000 clinical trials registered worldwide. We aimed to describe the COVID-19 clinical trial research agenda in Germany during the first year of the pandemic. Methods: We identified randomized clinical trials assessing interventions to treat or prevent COVID-19 that were registered in 2020 and recruited or planned to recruit participants in Germany. We requested recruitment information from trial investigators as of April 2021. Results: In 2020, 65 trials were completely (n=27) or partially (n=38) conducted in Germany. Most trials investigated interventions to treat COVID-19 (86.2%; 56/65), in hospitalized patients (67.7%; 44/65), with industry funding (53.8%; 35/65). Few trials were completed (21.5%; 14/65). Overall, 187,179 participants were planned to be recruited (20,696 in Germany), with a median number of 106 German participants per trial (IQR 40 to 345). From the planned German participants, 13.4% were recruited (median 15 per trial (IQR 0 to 44). Conclusions: The overall German contribution to the worldwide COVID-19 clinical trial research agenda was modest. Few trials delivered urgently needed evidence. Most trials did not meet recruitment goals. Evaluation and international comparison of the challenges for conducting clinical trials in Germany is needed.
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 | 0,059 | 0,158 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; 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 ».