Small sample sizes in clinical trials: a pragmatic approach to clinical research in veterinary medicine
Notice bibliographique
Résumé
As evidence synthesis and guideline development efforts advance in veterinary medicine, the quality and quantity of data can be limiting factors. Aspiration and pragmatism must be balanced to ensure optimal data development and availability. Systematic reviews and meta-analyses are ideally based on multiple large randomised controlled trials from a broad range of relevant populations, but cost, time and caseload can be substantial barriers. Small randomised controlled trials can also provide useful and actionable information. Data from numerous small but robustly designed and executed, comparable randomised controlled trials can support stronger conclusions, complementing larger randomised controlled trials or providing critical important knowledge when larger randomised controlled trials are not available. The value from these small trials is in the data, not the analysis, as individual analyses within these randomised controlled trials are usually underpowered to detect reasonable and clinically relevant endpoints. A desire for perfection can inhibit progress if randomised controlled trials are not performed, or if small but potentially useful data sets remain unpublished. We encourage the veterinary scientific community, including researchers, reviewers and editors, to strive for optimal study designs and sample sizes but to be open to publishing data from small trials that may provide little insight in isolation but contribute useful data for meta-analyses.
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 | 0,765 | 0,859 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,005 |
| Méta-épidémiologie (sens large) | 0,022 | 0,008 |
| Bibliométrie | 0,017 | 0,014 |
| Études des sciences et des technologies | 0,005 | 0,022 |
| Communication savante | 0,023 | 0,022 |
| Science ouverte | 0,012 | 0,013 |
| Intégrité de la recherche | 0,021 | 0,033 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».