Design of trials in lacunar stroke and cerebral small vessel disease: review and experience with the LACunar Intervention Trial 2 (LACI-2)
Notice bibliographique
Résumé
Cerebral small vessel disease (cSVD) causes lacunar stroke (25% of ischaemic strokes), haemorrhage, dementia, physical frailty, or is 'covert', but has no specific treatment. Uncertainties about the design of clinical trials in cSVD, which patients to include or outcomes to assess, may have delayed progress. Based on experience in recent cSVD trials, we reviewed ways to facilitate future trials in patients with cSVD.We assessed the literature and the LACunar Intervention Trial 2 (LACI-2) for data to inform choice of Participant, Intervention, Comparator, Outcome, including clinical versus intermediary endpoints, potential interventions, effect of outcome on missing data, methods to aid retention and reduce data loss. We modelled risk of missing outcomes by baseline prognostic variables in LACI-2 using binary logistic regression.Imaging versus clinical outcomes led to larger proportions of missing data. We present reasons for and against broad versus narrow entry criteria. We identified numerous repurposable drugs with relevant modes of action to test in various cSVD subtypes. Cognitive impairment is the most common clinical outcome after lacunar ischaemic stroke but was missing more frequently than dependency, quality of life or vascular events in LACI-2. Assessing cognitive status using Diagnostic and Statistical Manual for Mental Disorders Fifth Edition can use cognitive data from multiple sources and may help reduce data losses.Trials in patients with all cSVD subtypes are urgently needed and should use broad entry criteria and clinical outcomes and focus on ways to maximise collection of cognitive outcomes to avoid missing data.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
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; un appel candidat d’une seule tête enseignante, 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 ».