Resilient Clinical Trial Infrastructure in Response to the COVID-19 Pandemic: Lessons Learned from the TOGETHER Randomized Platform Clinical Trial
Notice bibliographique
Résumé
In response to the COVID-19 pandemic, clinical research groups across the world developed trial protocols to evaluate the safety and efficacy of treatments for COVID-19. Despite this initial enthusiasm, only a small portion of these protocols were implemented. Of those implemented, a fraction successfully recruited their target sample size to analyze and disseminate findings. More than a year and a half into the COVID-19 pandemic, only a few clinical trials evaluating treatments for COVID-19 have generated new evidence. Productive randomized platform clinical trials evaluating COVID-19 treatments may attribute their success to intentional investments in developing resilient clinical trial infrastructures. Health system resiliency discourse provides a conceptual framework for characterizing attributes for withstanding shocks. This framework may also be useful for contextualizing the attributes of productive clinical trials evaluating COVID-19 therapies. We characterize the successful attributes and lessons learned in developing the TOGETHER Trial infrastructure using a health system resiliency framework. This framework may be considered by clinical trialists aiming to build resilient trial infrastructures capable of responding rapidly and efficiently to global health threats.
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 | 0,487 | 0,574 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,021 |
| Communication savante | 0,020 | 0,025 |
| Science ouverte | 0,006 | 0,020 |
| Intégrité de la recherche | 0,010 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».