Endpoint adjudication in cardiovascular clinical trials
Notice bibliographique
Résumé
Endpoint adjudication (EA) is a common feature of contemporary randomized controlled trials (RCTs) in cardiovascular medicine. Endpoint adjudication refers to a process wherein a group of expert reviewers, known as the clinical endpoint committee (CEC), verify potential endpoints identified by site investigators. Events that are determined by the CEC to meet pre-specified trial definitions are then utilized for analysis. The rationale behind the use of EA is that it may lessen the potential misclassification of clinical events, thereby reducing statistical noise and bias. However, it has been questioned whether this is universally true, especially given that EA significantly increases the time, effort, and resources required to conduct a trial. Herein, we compare the summary estimates obtained using adjudicated vs. non-adjudicated site designated endpoints in major cardiovascular RCTs in which both were reported. Based on these data, we lay out a framework to determine which trials may warrant EA and where it may be redundant. The value of EA is likely greater when cardiovascular trials have nuanced primary endpoints, endpoint definitions that align poorly with practice, sub-optimal data completeness, greater operator variability, and lack of blinding. EA may not be needed if the primary endpoint is all-cause death or all-cause hospitalization. In contrast, EA is likely merited for more nuanced endpoints such as myocardial infarction, bleeding, worsening heart failure as an outpatient, unstable angina, or transient ischaemic attack. A risk-based approach to adjudication can potentially allow compromise between costs and accuracy. This would involve adjudication of a small proportion of events, with further adjudication done if inconsistencies are detected.
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 | 0,220 | 0,464 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».