Redesigning a Stopped Clinical Trial as an Emulated Trial Using Real-World Data to Explore the Effectiveness of Slow-Release Oral Morphine as a Treatment for Opioid Use Disorder
Notice bibliographique
Résumé
Canada is currently experiencing a problematic opioid crisis with increasing mortality rates. Traditional randomized controlled trials (RCTs) that examine the effectiveness of pharmacological treatment options for people with opioid use disorder (OUD) are challenging to conduct. An increasingly popular methodology is through the implementation of emulated clinical trials, a methodology in which key elements of a "target" RCT are replicated using previously collected healthcare-based data. They can possibly address some of the common challenges found in the conduct of RCTs, such as prolonged timelines, high cost, and poor participant recruitment. In effect, emulated trials accelerate knowledge generation by producing real-world evidence that can be akin to phase 3 effectiveness trials, without any need to recruit live participants or administer investigational products. During the COVID-19 pandemic, several trials were stopped due to increased pandemic-related research restrictions, leaving important questions about OUD treatment unanswered. In this commentary, we describe the transition of a traditional RCT to an emulated trial spurred by challenges posed by the COVID-19 pandemic. We describe our transition using a notable published framework with regards to the population sample, interventions, outcomes, and proposed analyses. This commentary aims to help other researchers and trialists apply emulated trials in substance use research and beyond, emphasizing the role of this methodology in clinical research and advancing scientific knowledge that could be otherwise lost or unattainable.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».