Comment on: Two decades of surgical randomized controlled trials: worldwide trends in volume and methodological quality
Notice bibliographique
Résumé
Dear Editor RCTs represent the gold standard for evidence generation. Pronk et al.1 reviewed surgical RCTs over a span of 20 years, finding an improvement in trial quality along with a rise in Asia, mostly led by China. Pronk et al.1 focused on progress in reported methodology and study design, but did not consider improvements in terms of equity and, consequently, the generalizability of current trials, which ought to be considered a form of quality. Inequity may present at the trialist level and among patients enrolled in RCTs, both commonly disproportionately dominated by white men in high-income countries. Pronk et al.1 showed that, despite some geographical shift, only one lower-middle-income country (Egypt) was featured in the top 10 in terms of trial volume in 2019, whereas Africa and South America together represented the smallest number of trials at 6.8 per cent of the total volume, despite being home to nearly one-quarter of the world’s population. This challenges the generalizability of trials, as interventions that work within a given country or region do not account for cultural, political, and economical factors that may influence behaviours and outcomes elsewhere. Further, under-enrolment of women and minoritized and racialized populations has been found among trials in high-income countries. Thus, even results within the same country may be difficult to generalize to its entire population. Barriers to improving equity in RCTs are manifold, including high costs, complex logistics, long timelines, and difficulties with data infrastructure and follow-up, which render these opportunities less accessible to researchers in variable-resource contexts, where context-appropriate evidence is especially highly needed. Moreover, imbalances in trialist networks perpetuate biases that result in under-enrolment of under-represented populations. Future directions should include increased mentorship and collaboration to empower early-career trialists, more representative trial teams, and more pragmatic and lower-cost solutions to RCTs. Xiya Ma (Conceptualization, Writing—original draft, Writing—review & editing), and Dominique Vervoort (Conceptualization, Methodology, Supervision, Writing—original draft, Writing—review & editing).
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 | 0,046 | 0,267 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,006 | 0,008 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,115 | 0,062 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,011 |
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 ».