How to Measure the Generalizability of Clinical Trials
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Randomized controlled trials are widely regarded as the gold standard in clinical research and public health. However, they have been criticized for potentially lacking generalizability, as trial participants may not fully represent the target patient population due to the inability to obtain a truly random sample for enrollment. Assessing and evaluating the generalizability of randomized controlled trials is an important issue that has not been addressed adequately in literature. Additionally, although the importance of describing clinical trial generalizability is recognized by clinical trial reporting guidelines (e.g., CONSORT), it provides no clear guidance on statistical tests or estimation procedures. In this paper, we compare five generalizability indexes, including Standardized Mean Difference, C-Statistic, β-Index, Kolmogorov-Smirnov Distance, and Lévy Distance. We simulate a patient population with a treatment effect size of 0.5 (Cohen's d ) and seven covariates that include gender, health insurance, race, baseline symptoms, comorbidity, age, and motivation. We then evaluate the performance of the five generalizability indexes using selected nonrandom and random clinical trial samples under different number of covariates and sample sizes. Our work supports the use of -index and C-statistic due to their strong statistical performance, ease of interpretation and ability to clearly categorize generalizability into levels such as very high, high, medium or low. A -index value between 1 and 0.8 (inclusive) or a C-statistic value between 0.5 and 0.8 (inclusive) indicates that the trail sample is very highly or highly representative of the patient population.
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.
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 | 0,378 | 0,623 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle