CLINICAL TRIALS DATA MANAGEMENT AND TRIAL CONDUCT Clinical Trials 2013; 0: 1–9 Data collection in cancer clinical trials: Too much of a good thing?
Notice bibliographique
Résumé
Background Substantial staff time and costs are incurred in the collection of data for cancer clinical trials. Anecdotal experience suggests that much of these data are never used in the analysis or reporting of a trial. Purpose To quantify data items collected in cancer clinical trials and calculate what percentage is used in subsequent published manuscripts. Methods Cancer clinical trials completed by the Ontario Clinical Oncology Group (OCOG) between 2003 and 2012 and the corresponding primary outcome publica-tion were identified. The number of data items collected on each trial’s case report form (CRF) was counted and sorted into 18 categories including eligibility, baseline characteristics, medical history, toxicity, and recurrence. The data items were then counted within the corresponding published manuscripts to determine percent of data used overall and within each section. Results In all, 8 trials, with 9 corresponding publications, were evaluated. The CRF analysis revealed that the total collected items per subject ranged from 186 to 1035 per trial with a median of 599. Across all the publications, a median of 96 data items (18%) were reported in each manuscript, ranging from 11 % to 27 % per trial. In 8 of the 18 categories, 4 % or less of collected data items were used. Limitations The number of trials reviewed is small and were conducted from a sin-gle clinical trial coordinating centre. The main outcome of the number of data items used in the published manuscript is a surrogate for trial information considered valu-able by investigators. Some data may be deemed important by investigators but not included in manuscripts. Conclusions In this analysis of publications from 8 clinical trials, a small amount of data collected was ultimately used in peer-reviewed journal manuscripts. A large amount of data collected in cancer trials appears to go unused and could be omitted from CRFs, thus simplifying data collection and improving trial efficiency. Clinical
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 | 0,598 | 0,843 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,012 | 0,025 |
| Études des sciences et des technologies | 0,004 | 0,015 |
| Communication savante | 0,027 | 0,016 |
| Science ouverte | 0,008 | 0,015 |
| Intégrité de la recherche | 0,009 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 0,027 |
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 ».