How to optimize and evaluate diversity in gynecologic cancer clinical trials: statements from the GCIG Barcelona Meeting
Notice bibliographique
Résumé
Findings from clinical trials have led to advancement of care for patients with gynecologic malignancies. However, restrictive inclusion of patients into trials has been widely criticized for inadequate representation of the real-world population. Ideally, patients enrolled in clinical trials should represent a broader population to enhance external validity and facilitate translation of outcomes across all relevant groups. Specifically, there has been a systematic lack of data for underrepresented groups, with many studies failing to report or differentiate study participants based on sociodemographic domains, such as race and ethnicity. As such, the impact of treatment in these underrepresented groups is poorly understood, and clinical outcomes according to various sociodemographic factors are infrequently assessed. Inclusion of diverse trial participants, with different racial and ethnic background, is essential for the understanding of factors that may impact clinical outcomes. Therefore, we conducted a multi-national meeting of clinical trial groups and industry with the goal of increasing equity, diversity, and inclusion in gynecologic cancer clinical trials and to address barriers to recruitment, participation, and harmonization of data collection and reporting. These Gynecologic Cancer Intergroup (GCIG) statements present recommendations and strategies for the gynecologic cancer research community to improve equity, diversity, and inclusion in gynecologic cancer clinical trials.
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 | 0,629 | 0,547 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,009 | 0,012 |
| Communication savante | 0,022 | 0,014 |
| Science ouverte | 0,011 | 0,022 |
| Intégrité de la recherche | 0,057 | 0,048 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,004 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».