Data flow within global clinical trials: a scoping review
Notice bibliographique
Résumé
Objective To document clinical trial data flow in global clinical trials published in major journals between 2013 and 2021 from Global South to Global North. Design Scoping analysis Methods We performed a search in Cochrane Central Register of Controlled Trials (CENTRAL) to retrieve randomised clinical trials published between 2013 and 2021 from The BMJ, BMJ Global Health, the Journal of the American Medical Association, the Lancet, Lancet Global Health and the New England Journal of Medicine . Studies were included if they involved recruitment and author affiliation across different country income groupings using World Bank definitions. The direction of data flow was extracted with a data collection tool using sites of trial recruitment as the starting point and the location of authors conducting statistical analysis as the ending point. Results Of 1993 records initially retrieved, 517 studies underwent abstract screening, 348 studies underwent full-text screening and 305 studies were included. Funders from high-income countries were the sole funders of the majority (82%) of clinical trials that recruited across income groupings. In 224 (73.4%) of all assessable studies, data flowed exclusively to authors affiliated with high-income countries or to a majority of authors affiliated with high-income countries for statistical analysis. Only six (3.2%) studies demonstrated data flow to lower middle-income countries and upper middle-income countries for analysis, with only one with data flow to a lower middle-income country. Conclusions Global clinical trial data flow demonstrates a Global South to Global North trajectory. Policies should be re-examined to assess how data sharing across country income groupings can move towards a more equitable model.
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 | 0,300 | 0,445 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,002 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».