Barriers to Screening: An Analysis of Factors Impacting Screening for Type 1 Diabetes Prevention Trials
Notice bibliographique
Résumé
Context: Participants with stage 1 or 2 type 1 diabetes (T1D) qualify for prevention trials, but factors involved in screening for such trials are largely unknown. Objective: To identify factors associated with screening for T1D prevention trials. Methods: This study included TrialNet Pathway to Prevention participants who were eligible for a prevention trial: oral insulin (TN-07, TN-20), teplizumab (TN-10), abatacept (TN-18), and oral hydroxychloroquine (TN-22). Univariate and multivariate logistic regression models were used to examine participant, site, and study factors at the time of prevention trial accrual. Results: Screening rates for trials were: 50% for TN-07 (584 screened/1172 eligible), 9% for TN-10 (106/1249), 24% for TN-18 (313/1285), 17% for TN-20 (113/667), and 28% for TN-22 (371/1336). Younger age and male sex were associated with higher screening rates for prevention trials overall and for oral therapies. Participants with an offspring with T1D showed lower rates of screening for all trials and oral drug trials compared with participants with other first-degree relatives as probands. Site factors, including larger monitoring volume and US site vs international site, were associated with higher prevention trial screening rates. Conclusions: Clear differences exist between participants who screen for prevention trials and those who do not screen and between the research sites involved in prevention trial screening. Participant age, sex, and relationship to proband are significantly associated with prevention trial screening in addition to key site factors. Identifying these factors can facilitate strategic recruitment planning to support rapid and successful enrollment into prevention 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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».