Recommendations for clinical trial design in acute kidney injury from the 31st acute disease quality initiative consensus conference. A consensus statement
Notice bibliographique
Résumé
PURPOSE: Novel interventions for the prevention or treatment of acute kidney injury (AKI) are currently lacking. To facilitate the evaluation and adoption of new treatments, the use of the most appropriate design and endpoints for clinical trials in AKI is critical and yet there is little consensus regarding these issues. We aimed to develop recommendations on endpoints and trial design for studies of AKI prevention and treatment interventions based on existing data and expert consensus. METHODS: At the 31st Acute Disease Quality Initiative (ADQI) meeting, international experts in critical care, nephrology, involving adults and pediatrics, biostatistics and people with lived experience (PWLE) were assembled. We focused on four main areas: (1) patient enrichment strategies, (2) prevention and attenuation studies, (3) treatment studies, and (4) innovative trial designs of studies other than traditional (parallel arm or cluster) randomized controlled trials. Using a modified Delphi process, recommendations and consensus statements were developed based on existing data, with > 90% agreement among panel members required for final adoption. RESULTS: The panel developed 12 consensus statements for clinical trial endpoints, application of enrichment strategies where appropriate, and inclusion of PWLE to inform trial designs. Innovative trial designs were also considered. CONCLUSION: The current lack of specific therapy for prevention or treatment of AKI demands refinement of future clinical trial design. Here we report the consensus findings of the 31st ADQI group meeting which has attempted to address these issues including the use of predictive and prognostic enrichment strategies to enable appropriate patient selection.
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 | 0,003 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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) | 0,001 | 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 ».