Resource utilization for pre‐screening study patients with cognitive disorders.
Notice bibliographique
Résumé
Abstract Background Drug development is a complex, expensive, lengthy, and multifaceted process. Patient recruitment tends to be a considerable and underestimated variable when it comes to planning and implementing a study. More information about evaluating patient sources and resource allocation will allow sites and sponsors to use their resources more effectively and to complete clinical projects earlier. Method This paper reviews the sourcing of patients and resource utilisation in hours for 6 pivotal Cognitive Disorder studies by gathering all patients contacted in various phases of a project: pre‐screening, screening, and randomization. Result Sourcing of patients was tracked for pre‐screening, screening and randomisation and are compared in number of calls, resource utilisation (hours), and number of randomized patients A total of 1 726 patients were pre‐screened, which represents 575 hours of resources, the largest proportion of pre‐screened calls, 43%, was generated from internal database of patients resulting in 46% of randomized patients. The second largest proportion of pre‐screened patients originated from newspapers with 18% of contacts that required 13% of resources and resulted in 14% of randomized patients. Additional sources of pre‐screened calls were conferences (8%), canvassing (7%), friends (4%), medical references (3%), memory day (9%), radio (2%) and web site (2%). Conclusion We report a pre‐screened/screened/randomized ratio of 23:5:1 indicating that pre‐screening is important to secure patient enrolment though largely underestimated and rarely if ever accounted for in budget assessments. Given the current decline in the use of paper media, alternate solutions must be developed to replace this otherwise successful communication tool. More information is required to better characterize each recruitment method and to determine to which extent the randomization ratio is favorable with each initial source of patients.
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 | 0,011 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».