Lessons Learned from Coronavirus Disease 2019 (COVID-19) Therapies: Critical Perspectives From the Infectious Diseases Society of America (IDSA) COVID-19 Treatment Guideline Panel
Notice bibliographique
Résumé
Despite the challenges of the pandemic, there has been substantial progress with coronavirus disease 2019 (COVID-19) therapies. Pivotal COVID-19 trials like SOLIDARITY, RECOVERY, and ACCT-1 were rapidly conducted and data disseminated to support effective therapies. However, critical shortcomings remain on trial conduct, dissemination and interpretation of study results, and regulatory guidance in pandemic settings. The lessons that we learned have implications for both the current pandemic and future emerging infectious diseases. There is a need for establishing and standardizing clinical meaningful outcomes in therapeutic trials and for targeting defined populations and phenotypes that will most benefit from specific therapies. Standardized processes should be established for rapid and critical data review and dissemination to ensure scientific integrity. Clarity around the evidence standards needed for issuance of both emergency use authorization (EUA) and biologic license application (BLA) should be established and an infrastructure for executing rapid trials in epidemic settings maintained.
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 | 0,148 | 0,210 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,016 | 0,025 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,018 | 0,051 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».