Training workload in the investigational drug service of a university hospital center
Notice bibliographique
Résumé
PURPOSE: Training represents a considerable portion of research activities and is vastly different for each clinical trial. This variation is partially explained by the lack of detailed regulations surrounding training procedures, which hinders the ability of investigational drug service (IDS) staff to plan their workload. The aim of this study was to quantify the workload associated with trial-specific training of IDS staff. The secondary aim was to identify the factors associated with training complexity. METHODS: A retrospective study was carried out in the IDS of a mother and child university hospital. Trial-specific documents on which the pharmacy staff was trained were analyzed. Workload was calculated by measuring reading time. The readability of each document was determined by the Flesch Reading Ease score. The complexity of the trials was established using the scoring method of Calvin-Lamas et al. The influence of the following factors on training was assessed by analysis of variance: sponsor type, research phase, and research focus by medical specialty. RESULTS: A total of 93 clinical trials and 433 documents were included. Investigator's brochures were the longest (a mean [SD] of 107 [46] pages; P < 0.0001) and most difficult documents to read (mean [SD] readability score, 25.5 [4.4]; P < 0.0001). Trials with industry sponsors required a significantly longer overall reading time (mean [SD], 12.26 [6.72] hours; P < 0.0001). On average, a mean (SD) of 9.42 (7.16) hours of reading were necessary to train one employee for a clinical trial. CONCLUSION: This study is the first to document reading time necessary for training of IDS staff. The training workload varied by sponsor type, while the research phase and medical specialty had little impact. IDS units would benefit from a tool that could identify complex trials.
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 | 0,010 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».