Presenting a sham treatment as personalised increases the placebo effect in a randomised controlled trial
Notice bibliographique
Résumé
Background: Tailoring interventions to patient subgroups can improve intervention outcomes for various conditions. However, it is unclear how much of this improvement is due to the pharmacological personalisation versus the non-specific effects of the contextual factors involved in the tailoring process, such as the therapeutic interaction. Here, we tested whether presenting a (placebo) analgesia machine as personalised would improve its effectiveness. Methods: We recruited 102 adults in two samples ( N 1 =17, N 2 = 85) to receive painful heat stimulations on their forearm. During half of the stimulations, a machine purportedly delivered an electric current to reduce their pain. The participants were either told that the machine was personalised to their genetics and physiology, or that it was effective in reducing pain generally. Results: Participants told that the machine was personalised reported more relief in pain intensity than the control group in both the feasibility study (standardised β =−0.50 [–1.08, 0.08]) and the pre-registered double-blind confirmatory study ( β =−0.20 [–0.36, –0.04]). We found similar effects on pain unpleasantness, and several personality traits moderated the results. Conclusions: We present some of the first evidence that framing a sham treatment as personalised increases its effectiveness. Our findings could potentially improve the methodology of precision medicine research and inform practice. Funding: This study was funded by the Social Science and Humanities Research Council (93188) and Genome Québec (95747).
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 | 0,006 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
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; 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 ».