Protection by inclusion: Increasing enrollment of women in cardiovascular trials
Notice bibliographique
Résumé
Despite differences in biology that influence disease incidence, drug metabolism, and response to therapies, women remain under-enrolled in cardiovascular clinical trials. Estimates regarding treatment efficacy and safety are derived from male-predominant trial populations, with inadequate balance between sex subgroups for meaningful analysis on sex-specific treatment effects. Treatment strategies for women, particularly women of childbearing years, are derived from trials with predominantly men participants, from lower quality, observational studies, or anecdotal evidence. Guideline recommendations for women who are pregnant or lactating are typically based on opinion as there is little evidence to guide them. In this review, we discuss trial design factors independently associated with the under-enrollment of women, identify possible strategies to increase the enrollment of women in trials, and suggest multi-level actions that could close sex-based research disparities. Recruiting and retaining women trialists, independently associated with increased enrollment of women and Black, Indigenous, and Persons of Color (BIPOC) participants, and diversifying research teams may be effective approaches. Modifying trial design by eliminating default sex-specific exclusion criteria, developing patient-centered consent and participation processes, incorporating pragmatic follow-up schemes, and incorporating sex/gender analysis into trial planning may also increase the enrollment of women participants. Journals and funding bodies should require trials to report participant to prevalence ratios, sex-disaggregated trial flow, and sex-treatment interactions. Healthcare systems can help create research-ready cultures that both enhance patient engagement in trials and expedite end-of-trial knowledge translation.
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 | 0,093 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».