Author response: Presenting a sham treatment as personalised increases the placebo effect in a randomised controlled trial
Notice bibliographique
Résumé
Precision treatments are therapies that are tailored to a patient’s individual biology with the aim of making them more effective. Some cancer drugs, for example, work better for people with specific genes, leading to improved outcomes when compared to their ‘generic’ versions. However, it is unclear how much of this increased effectiveness is due to tailoring the drug’s chemical components versus the contextual factors involved in the personalisation process. Contextual factors like patient beliefs can boost a treatment’s outcomes via the ‘placebo effect’ – making the intervention work better simply because the patient believes it to. Personalised treatments typically combine more of these factors by being more expensive, elaborate, and invasive – potentially boosting the placebo effect. Sandra et al. tested whether simply describing a placebo machine – which has no therapeutic value – as personalised would increase its effectiveness at reducing pain for healthy volunteers. Study participants completed several sham physiological and genetic tests. Those in the experimental group were told that their test results helped tailor the machine to increase its effectiveness at reducing pain whereas those in the control group were told that the tests screened for study eligibility. All volunteers were then exposed to a series of painful stimuli and used the machine to reduce the pain for half of the exposures. Participants that believed the machine was personalised reported greater pain relief. Those with a stronger desire to be seen as different from others – based on the results of a personality questionnaire – experienced the largest benefits, but only when told that the machine was personalised. This is the first study to show that simply believing a sham treatment is personalised can increase its effectiveness in healthy volunteers. If these results are also seen in clinical settings, it would suggest that at least some of the benefit of personalised medicine could be due to the contextual factors surrounding the tailoring process. Future work could inform doctors of how to harness the placebo effect to benefit patients undergoing precision treatments.
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 | 0,022 | 0,195 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,020 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,066 | 0,015 |
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 source (Gemma direct ou Codex distillé), 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 ».