Remote Monitoring and Data Collection for Decentralized Clinical Trials
Notice bibliographique
Résumé
Importance: Less than 5% of patients with cancer enroll in a clinical trial, partly due to financial and logistic burdens, especially among underserved populations. The COVID-19 pandemic marked a substantial shift in the adoption of decentralized trial operations by pharmaceutical companies. Objective: To assess the current global state of adoption of decentralized trial technologies, understand factors that may be driving or preventing adoption, and highlight aspirations and direction for industry to enable more patient-centric trials. Design, Setting, and Participants: The Bloomberg New Economy International Cancer Coalition, composed of patient advocacy, industry, government regulator, and academic medical center representatives, developed a survey directed to global biopharmaceutical companies of the coalition from October 1 through December 31, 2022, with a focus on registrational clinical trials. The data for this survey study were analyzed between January 1 and 31, 2023. Exposure: Adoption of decentralized clinical trial technologies. Main Outcomes and Measures: The survey measured (1) outcomes of different remote monitoring and data collection technologies on patient centricity, (2) adoption of these technologies in oncology and all therapeutic areas, and (3) barriers and facilitators to adoption using descriptive statistics. Results: All 8 invited coalition companies completed the survey, representing 33% of the oncology market by revenues in 2021. Across nearly all technologies, adoption in oncology trials lags that of all trials. In the current state, electronic diaries and electronic clinical outcome assessments are the most used technology, with a mean (SD) of 56% (19%) and 51% (29%) adoption for all trials and oncology trials, respectively, whereas visits within local physician networks is the least adopted at a mean (SD) of 12% (18%) and 7% (9%), respectively. Looking forward, the difference between the current and aspired adoption rate in 5 years for oncology is large, with respondents expecting a 40% or greater absolute adoption increase in 8 of the 11 technologies surveyed. Furthermore, digitally enabled recruitment, local imaging capabilities, and local physician networks were identified as technologies that could be most effective for improving patient centricity in the long term. Conclusions and Relevance: These findings may help to galvanize momentum toward greater adoption of enabling technologies to support a new paradigm of trials that are more accessible, less burdensome, and more inclusive.
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 | 0,078 | 0,204 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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; 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 ».