The characterization of preclinical evidence for agents entering clinical development
Notice bibliographique
Résumé
The translation of basic biological discoveries into clinical applications that improve human health remains a slow, expensive, and failure-prone endeavor despite tremendous advances in genetics and molecular biology. Drug development failures have immense costs, including the burden of subjecting patient-volunteers to needless harms and the squandering of scarce resources that could be applied to more promising areas of research. To better understand why so many drugs that appear promising in preclinical studies perform so poorly in later trials, this thesis first developed a search method to capture a cohort of 371 novel agents entering clinical translation between 2000-2003 and then sought to determine the accessibility of preclinical in vivo efficacy evidence for these interventions. In general, there was a large volume of animal evidence available in the published literature (n=2735; 55/agent). However, the number of studies published prior to the first published account of human testing was modest (7/agent). This was especially true for agents that went on to receive regulatory approval; licensed drugs had, on average, half as many animal studies published prior to initial clinical trial publication (per agent) than unlicensed drugs. Furthermore, 16% of our sample of novel interventions had no antecedent animal data available whatsoever. This suggests that data withholding might take place earlier in development â perhaps especially where clinical promise is greatest. However, our ability to obtain a large volume of preclinical studies suggests the feasibility of synthesizing preclinical evidence to better understand why some drugs fail in clinical 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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».