Improving the efficiency of clinical trials in multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: Phase 3 clinical trials for disease-modifying therapies in relapsing-remitting multiple sclerosis (RRMS) have utilized a limited number of conventional designs with a high degree of success. However, these designs limit the types of questions that can be addressed, and the time and cost required. Moreover, trials involving people with progressive multiple sclerosis (MS) have been less successful. OBJECTIVE: The objective of this paper is to discuss complex innovative trial designs, intermediate and composite outcomes and to improve the efficiency of trial design in MS and broaden questions that can be addressed, particularly as applied to progressive MS. METHODS: We held an international workshop with experts in clinical trial design. RESULTS: Recommendations include increasing the use of complex innovative designs, developing biomarkers to enrich progressive MS trial populations, prioritize intermediate outcomes for further development that target therapeutic mechanisms of action other than peripherally mediated inflammation, investigate acceptability to people with MS of data linkage for studying long-term outcomes of clinical trials, use Bayesian designs to potentially reduce sample sizes required for pediatric trials, and provide sustained funding for platform trials and registries that can support pragmatic trials. CONCLUSION: Novel trial designs and further development of intermediate outcomes may improve clinical trial efficiency in MS and address novel therapeutic questions.
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 | 0,066 | 0,192 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,007 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,006 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».