A Cross‐Sectional Survey on the Current Status and Influencing Factors of Clinical Investigators’ Competencies in Beijing, China
Notice bibliographique
Résumé
Objective Clinical investigators are essential for assessing the clinical value, safety, and efficacy of innovative drugs. However, comprehensive data on their competency levels are limited in China. This study aimed to evaluate the current status and key determinants of clinical investigators’ competencies. Methods We conducted a multicenter, cross‐sectional study in 40 tertiary hospitals in Beijing in August 2023, enrolling 1397 clinical investigators. Competency was assessed via a self‐administered questionnaire, and influencing factors were identified using multivariate logistic regression. Results The median overall competency score was 103 (range: 32–160). Among 194 principal investigators (PIs), prominent competency scores ranged from 25 to 120, with a median of 93. Several factors were significantly associated with higher competency, including advanced education (doctoral degree: aOR = 1.75, 95% CI: 1.21–2.55), professional title (midlevel title: aOR = 1.77, 95% CI: 1.20–2.59; senior‐level title: aOR = 2.91, 95% CI: 1.78–4.75), experience leading clinical trials (≥ 1 trial as PI: aOR = 2.38, 95% CI: 1.69–3.36), and GCP training frequency (at least semiannually: aOR = 1.39, 95% CI: 1.07–1.81). Conclusions Efforts should target areas of underperformance, particularly by encouraging the pursuit of advanced degrees, senior professional accreditation, PI experience, and regular GCP training. Competency development requires systematic training rather than mere seniority. Consistent GCP training and adherence to international competency standards are crucial for elevating trial quality and facilitating China’s integration into global drug development.
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 | 0,025 | 0,730 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».