Reporting and data sharing level for COVID-19 vaccine trials: A cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: The results and data availability of vaccine trials directly affect the decisions of healthcare providers, the public, and policymakers as to whether the vaccine should be applied. However, the reporting and data sharing level of COVID-19 vaccine studies are not clear. METHODS: A cross-sectional study was conducted. A systematic search up to 9 May 2021 in 12 databases and an updated search to 6 July 2021 were conducted in the Cochrane Living Systematic Review and Network Meta-Analysis database to identify COVID-19 vaccine trials. The basic characteristics of included trials were summarized. The reporting level was assessed according to the CONSORT checklist. The data sharing level was assessed by open science practices. Types of incomplete reporting including protocol deviation, lack of primary outcomes clarity, and the omission of harms were analyzed. FINDINGS: Finally, thirty-six COVID-19 vaccine articles reporting on 40 randomized controlled trials were included in this analysis. Based on the CONSORT checklist, the mean reporting score was 29.7 [95% confidence interval 28.7, 30.7]. Thirty-one articles (31/36, 86.1%) had data sharing statements, twenty-five articles (25/36, 69.4%) provided access to the source data. Twenty-seven articles (27/36, 75.0%) had protocol deviation, lack of primary outcomes clarity, or the omission of harms. INTERPRETATION: The reporting and data sharing level of COVID-19 vaccine trials were not optimal. We hope that the reporting and data sharing of future trials will be improved. We recommend establishing a comprehensive, accurate data sharing system for future vaccine trials. FUNDING: This work was supported by the National Key R&D Program of China (2019YFC1710400; 2019YFC1710403).
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 | 0,121 | 0,408 |
| 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 | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».