Harmonizing Quality Improvement Metrics Across Global Trial Networks to Advance Paediatric Clinical Trials Delivery
Notice bibliographique
Résumé
BACKGROUND: Despite global efforts to improve paediatric clinical trials, significant delays continue in paediatric drug approvals. Collaboration between research networks is needed to address these delays. This paper is a first step to promote interoperability between paediatric networks from different jurisdictions by comparing drivers for, and content of, metrics about clinical trial conduct. METHODS: Three paediatric networks, Institute for Advanced Clinical Trials for Children, the Maternal Infant Child and Youth Research Network and conect4children, have each developed metrics to address delays and create efficiencies. We identified the methodology by which each network identified metrics, described the metrics of each network, and mapped consistency to come to consensus about core metrics that networks could share. RESULTS: Metric selection was driven by site quality improvement in one network (11 metrics), by network performance in one network (13 metrics), and by both in one network (five metrics). The domains of metrics were research capacity/capability, site identification/feasibility, trial start-up, and recruitment/enrolment. The network driven by site quality improvement did not have indicators for capacity/capability or identification/feasibility. Fifteen metrics for trial start up and conduct were identified. Metrics related to site approvals were found in all three networks. The themes for metrics can inform the development of 'shared' metrics. CONCLUSION: We found disparity in drivers, methodology and metrics. Tackling this disparity will result in a unified approach to addressing delays in paediatric drug approvals. Collaborative work to define inter-operable metrics globally is outlined.
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 | 0,038 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».