Toward designing human intervention studies to prevent osteoarthritis after knee injury: A report from an interdisciplinary OARSI 2023 workshop
Notice bibliographique
Résumé
Objective: The global impact of osteoarthritis is growing. Currently no disease modifying osteoarthritis drugs/therapies exist, increasing the need for preventative strategies. Knee injuries have a high prevalence, distinct onset, and strong independent association with post-traumatic osteoarthritis (PTOA). Numerous groups are embarking upon research that will culminate in clinical trials to assess the effect of interventions to prevent knee PTOA despite challenges and lack of consensus about trial design in this population. Our objectives were to improve awareness of knee PTOA prevention trial design and discuss state-of-the art methods to address the unique opportunities and challenges of these studies. Design: An international interdisciplinary group developed a workshop, hosted at the 2023 Osteoarthritis Research Society International Congress. Here we summarize the workshop content and outputs, with the goal of moving the field of PTOA prevention trial design forward. Results: Workshop highlights included discussions about target population (considering risk, homogeneity, and possibility of modifying osteoarthritis outcome); target treatment (considering delivery, timing, feasibility and effectiveness); comparators (usual care, placebo), and primary symptomatic outcomes considering surrogates and the importance of knee function and symptoms other than pain to this population. Conclusions: Opportunities to test multimodal PTOA prevention interventions across preclinical models and clinical trials exist. As improving symptomatic outcomes aligns with patient and regulator priorities, co-primary symptomatic (single or aggregate/multidimensional outcome considering function and symptoms beyond pain) and structural/physiological outcomes may be appropriate for these trials. To ensure PTOA prevention trials are relevant and acceptable to all stakeholders, future research should address critical knowledge gaps and challenges.
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 | 0,396 | 0,214 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,007 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,013 | 0,006 |
| Science ouverte | 0,008 | 0,024 |
| Intégrité de la recherche | 0,022 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,005 |
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 ».