Participation of Lower and Upper Middle–Income Countries in Oncology Clinical Trials Led by High-Income Countries
Notice bibliographique
Résumé
Importance: Many randomized clinical trials (RCTs) led by high-income countries (HICs) now enroll patients from lower middle-income countries (LMICs) and upper middle-income countries (UMICs). Although enrolling diverse populations promotes research collaborations, there are issues regarding which countries participate in RCTs and how this participation may contribute to global research. Objective: To describe which UMICs and LMICs participate in RCTs led by HICs. Design, Setting, and Participants: A cross-sectional study of all oncology RCTs published globally during January 1, 2014, to December 31, 2017, was conducted. The study cohort was restricted to RCTs led by HICs that enrolled participants from LMICs and UMICs. Study analyses were conducted in November 1, 2021, to May 31, 2022. Main Outcomes and Measures: A bibliometric approach (Web of Science 2007-2017) was used to explore whether RCT participation was proportional to other measures of cancer research activity. Participation in RCTs (ie, percentage of RCTs in the cohort in which each LMIC and UMIC participated) was compared with country-level cancer research bibliometric output (ie, percentage of total cancer research bibliometric output from the same group of countries that came from a specific LMIC and UMIC). Results: Among the 636 HIC-led RCTs, 186 trials (29%) enrolled patients in LMICs (n = 84 trials involving 11 LMICs) and/or UMICs (n = 181 trials involving 26 UMICs). The most common participating LMICs were India (42 [50%]), Ukraine (39 [46%]), Philippines (23 [27%]), and Egypt (12 [14%]). The most common participating UMICs were Russia (115 [64%]), Brazil (94 [52%]), Romania (62 [34%]), China (56 [31%]), Mexico (56 [31%]), and South Africa (54 [30%]). Several LMICs are overrepresented in the cohort of RCTs based on proportional cancer research bibliometric output: Ukraine (46% of RCTs but 2% of cancer research bibliometric output), Philippines (27% RCTs, 1% output), and Georgia (8% RCTs, 0.2% output). Overrepresented UMICs include Russia (64% RCTs, 2% output), Romania (34% RCTs, 2% output), Mexico (31% RCTs, 2% output), and South Africa (30% RCTs, 1% output). Conclusions and Relevance: In this cross-sectional study, a substantial proportion of RCTs led by HICs enrolled patients in LMICs and UMICs. The LMICs and UMICs that participated in these trials did not match overall cancer bibliometric output as a surrogate for research ecosystem maturity. Reasons for this apparent discordance and how these data may inform future capacity-strengthening activities require further study.
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 | 0,258 | 0,374 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,009 | 0,017 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».