Principal investigators’ experience of COVID-19 therapeutic clinical trials in Japan: a qualitative study
Notice bibliographique
Résumé
Objective During the COVID-19 pandemic, many clinical trials were conducted to identify effective COVID-19 therapeutics. However, while a large amount of resources was invested and significant numbers of patients participated, this did not necessarily have an impact on clinical practice. To face these issues, initiatives such as the 100 Days Mission have been set out globally. Yet, limited data exist on the context surrounding the implementation of clinical trials at a national level during a health emergency. The study explored experiences and perceptions of principal investigators in conducting clinical trials for COVID-19 therapeutics in Japan. Design A qualitative study was conducted using semistructured interviews. The obtained data were inductively analysed using thematic analysis. Setting and participants We interviewed 15 principal investigators between September and November 2022 who conducted investigator-initiated clinical trials on the development of COVID-19 therapeutics in Japan. Results Three themes were generated: structural barriers , fragmented efforts and limited evidence generation . Structural barriers and fragmented efforts comprised four subthemes: individual, institutional, interinstitutional and policy/regulatory levels. Structural barriers at all levels included (1) limitations of individual capabilities, (2) the double burden of clinical practice and research, (3) inefficient interinstitutional collaboration and (4) regulatory frameworks and available resources that interrupt stakeholders’ actions, leading to limited evidence generation despite the fragmented efforts of principal investigators and other stakeholders. Conclusions This study illustrated that the efforts of Japanese principal investigators did not necessarily pay off in identifying therapeutics. A strategic and systematic approach for an improved national clinical trial ecosystem must be sought during the interpandemic period to overcome structural barriers in harmonisation with the global stakeholders.
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 | 0,042 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,017 | 0,016 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».