Training the next generation of clinical trial biostatisticians
Notice bibliographique
Résumé
BackgroundThere is a critical shortage of biostatistics expertise and targeted training programs in clinical trials across Canada.MethodsThe Canadian Network for Statistical Training in Trials (CANSTAT), a pan-Canadian, multi-institutional training platform for biostatisticians in clinical trials, was developed to increase clinical trial biostatistics capacity in Canada.ResultsCANSTAT's training program integrates experiential learning through mentorship and placements at clinical trial sites, online workshops, and capacity-building meetings. The curriculum is designed to equip fellows with essential knowledge of clinical trials, technical skills, and practical experience necessary for their growth into professional trial biostatisticians, with several specific and measurable objectives set to achieve this goal. Educational materials, including CANSTAT competencies, reflective exercises, and individual development plans, are provided to monitor progress and ensure that fellows are meeting their academic and professional goals. Currently, CANSTAT has enrolled 19 fellows.ConclusionCANSTAT has developed a training program that equips fellows with essential skills in clinical trial design, conduct and analysis, and interprofessional communication, preparing them to effectively lead biostatistical efforts in clinical trials. By training a new generation of clinical trial biostatisticians, CANSTAT is strengthening Canada's clinical trial enterprise and improving health outcomes.
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 | 0,799 | 0,900 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,007 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; les deux têtes enseignantes 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 ».