Decentralized elements within oncology trials: Labcorp experience.
Notice bibliographique
Résumé
e13630 Background: The concept of digital health using Decentralized elements (DE) has rapidly gained acceptance due to the COVID-19 pandemic, moving clinical trials (CTs) to a more patient-centric model (PCM) with fewer site visits. The primary aims of DE are reducing patient burden, increasing enrolment and retention, maintaining quality of life, and decreasing overall trial cost. Methods: Between 2011 and 2022, Labcorp conducted 491 CTs which incorporated DE: telemedicine, electronic clinical outcome assessments (eCOA), electronic informed consent (eConsent) and mobile clinical services (MCS). All CTs were analyzed by therapeutic area, study phase (1-4) and country. Results: The COVID-19 pandemic increased the implementation of DE. However, digital health uptake between therapeutic area differed. Comparing Oncology with Neurology (higher increase in research), whilst eCOA was implemented most in Oncology, the Neurology MCS increase was over 50% since 2020. Overall, Big Pharma implemented ~1.5% more Decentralized elements, vs the biotech sector. The majority were phase 3, followed by phase 2, with MCS increasing its demand in phase 1. By country, USA, Spain, France, Germany and Canada dominated. The majority were hybrid CTs, with few completely virtual. Conclusions: Labcorp experience demonstrates that overall, the interest to implement DE in CTs continues to grow, promoting the transition to a PCM. Nevertheless, solutions like MCS still need to gain more acceptance in Oncology due to the added complexity and logistics and will require training of all stakeholders, as well as understanding the benefits and potential country-specific limitations. [Table: see text]
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 | 0,029 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; 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 ».