Representation of racialised and ethnically diverse populations in multicentre randomised controlled trials of GLP-1 medicines for obesity: a systematic review and meta-analysis of gaps
Notice bibliographique
Résumé
INTRODUCTION: Trials of GLP-1 (glucagon-like peptide-1) medicines have changed the paradigm of obesity treatment. Diversity in trial participation is imperative considering that obesity disproportionately impacts marginalised populations worldwide. We performed a systematic review and meta-analyses to evaluate the representation of racialised and ethnically diverse populations in randomised controlled trials (RCTs) of GLP-1 medicines for obesity. METHODS: We searched PubMed/Embase/ClinicalTrials.gov. Prevalence of each racial/ethnic group was compared in relation to the USA, Canada, the UK, Brazil and South Africa. The geographical locations of the trial sites were extracted. RESULTS: 27 RCTs were identified (n=21 547 participants). Meta-analyses of prevalence demonstrated the vast predominance of white/Caucasians (79%) with smaller proportion of blacks (9%), Asians (13%), Indigenous (2%) and Hispanics (22%). The gaps in representation were evidenced by the significantly under-represented proportion of non-white individuals in these RCTs as compared with the prevalence of non-white individuals in the general population of the USA (-23%, p=0.002) and Canada (-34%, p<0.0001), reaching an alarming gap of -58% in relation to Brazil and striking under-representation of -68% as compared with South Africa. Similar discrepancies in proportions of blacks, Asians and Indigenous peoples as compared with reference nations were found. Moreover, the trial sites (n=1859) were predominately located in high-income countries (84.2%), in sharp contrast to the global prevalence of obesity that is predominantly in low-income and middle-income countries. CONCLUSION: There are discrepancies in representation of racialised and ethnically diverse populations in obesity trials as compared with multiethnic populations worldwide. These data highlight the need for broader reform in the research process in order to ultimately address health inequities.
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 | 0,092 | 0,183 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,021 | 0,037 |
| Bibliométrie | 0,010 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».