ESMO-GROW: первое специальное руководство по онкологии для представления фактических данных из реальной жизни

КОЛЛЕГИ,

Европейское общество медицинской онкологии публикует ESMO-GROW, первое руководство по представлению данных реальной клинической практики в  онкологии.

В публикации рассматриваются нюансы современных исследований RWE в области онкологии и представлен полный список подробных ключевых рекомендаций, которые также были записаны в интерактивный информативный контрольный список для оценки, для полноценной разработки статей в различных сценариях исследований RWE.

Руководство ESMO по отчетности о реальных данных об онкологических заболеваниях (ESMO-GROW) было разработано междисциплинарной группой экспертов ESMO в сотрудничестве с внешними заинтересованными сторонами и опубликовано в двух ведущих журналах: ESMO Real World Data и Digital Oncology и Annals of Oncology .


В публикации представлен подробный список рекомендаций по каждому разделу разработки статьи, дающий четкое руководство с целью облегчения согласованной интерпретации авторами, редакторами, рецензентами и читателями. 

ESMO-GROW можно использовать для всех типов исследований RWE:
описательные (например, эпидемиологические, исследования общественного здравоохранения, схемы лечения);
аналитические (например, объяснительные, прогностические и/или прогнозирующие) исследования. 

Он также охватывает ключевые аспекты новых проектов, таких как имитация целевых испытаний или квазиэкспериментальные онкологические исследования, а также рекомендации по клиническим испытаниям с использованием реальных данных (RWD), например, прагматичные клинические испытания или испытания с синтетической контрольной группой.

В руководстве рассматриваются некоторые особенности современных исследований RWE в области онкологии, включая:

быструю разработку новых стратегий лечения подгрупп пациентов;
последние тенденции в молекулярно-эпидемиологическом анализе;
соображения относительно специфичных для онкологии переменных или результатов;
широком использовании искусственного интеллекта, машинного обучения.

Высококачественный RWD позволит лучше понять все более мелкие подгруппы, которые мы определяем, для которых рандомизированное клиническое исследование невозможно. 

Все это не только облегчит принятие решений органами здравоохранения, но и принесет пользу научным исследованиям. 

В конечном итоге клинические рекомендации могут быть дополнены высококачественными рекомендациями по RWD, которые могут принести пользу пациентам, облегчая предоставление индивидуальных рекомендаций по лечению.

ссылка: https://www.evidencebaseonline.com/esmo-grow-the-first-oncology-specific-guidance-for-real-world-evidence-reporting/

Первый Санкт-Петербургский Государственный Медицинский Университет, Кафедра клинической фармакологии и доказательной медицины. © 2007-2017. При использовании материалов сcылка на кафедру клинической фармакологии и доказательной медицины обязательна.
Query time: 0.0076 s Query count: 17 Total time:0.1331 s Source: database