Clinical use of autologous cell-based therapies in an evolving regulatory landscape: A survey of patient experiences and perceptions
Notice bibliographique
Résumé
<ns3:p> <ns3:bold>Background</ns3:bold> : Clinical treatments involving autologous cell-based therapies (ACBT) remain prevalent despite a lack of scientific backing and an evolving regulatory landscape aimed at assessing their safety and efficacy for clinical adoption. This study seeks to assess patients’ experiences and perceptions of clinical treatments involving ACBT and their knowledge and views of the regulatory context and associated governance issues. <ns3:bold>Methods</ns3:bold> : An anonymous online survey of 181 participants who have been treated or are in the process of being treated with ACBT was conducted. Recruitment was via social media platforms. Data was collected through Qualtrics and analyzed using SPSS 29 for the quantitative responses and NVivo 1.7.1 for the qualitative responses. <ns3:bold>Results</ns3:bold> : Several themes emerged from the data, including the prominent role of healthcare providers throughout the patient journey, informational practices during the clinical encounter, the high prevalence of pay-for-participation trials, patients’ gaps in regulatory knowledge, and patients’ priorities regarding clinical trials and regulation of ACBT. <ns3:bold>Conclusions</ns3:bold> : The study makes a novel contribution to the literature by providing the first analysis of patients’ experiences and perceptions of an emerging cell-based therapy within an evolving regulatory landscape. The findings serve as a valuable resource for developing policy, promoting scientific rigor, and ensuring ethical oversight of ACBT and other upcoming cell-based therapies. </ns3:p>
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 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 ».