The Impact of Industry Funding on Randomized Controlled Trials of Biologic Therapies
Notice bibliographique
Résumé
Background: There has been substantial interest from the pharmaceutical industry to study and develop new biologic agents. Previous studies outside of the biologics field have demonstrated that industry funding has the potential to impact the design and findings of clinical trials. The objective of this study was to evaluate the impact of industry funding on randomized controlled trials (RCTs) that investigated the efficacy of biologic therapies. Methods: A review of all RCTs involving biologic therapies in top impact factor medical journals from January 2018 to December 2020 was performed. The relationship between industry funding and the presence of statistically significant primary outcomes and the use of active comparators were analyzed. Results: Among the 157 RCTs included, 120 (76%) were industry funded and 37 (24%) declared no industry funding. Industry-funded studies were significantly more likely to report a statistically significant positive primary outcome compared to studies without industry funding (85% vs. 67%, χ2 = 5.867, p = 0.015) and were significantly more likely to utilize placebo or no comparator than non-industry-funded trials (78% vs. 49%, χ2 = 4.430, p = 0.035). Conclusions: Industry-funded trials investigating biologic therapies are more likely to yield statistically significant positive outcomes and use placebo comparators when compared to non-industry-funded biologic therapy trials in high-impact medical journals.
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 | 0,405 | 0,712 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».