Association between the burden of disease and research funding by the Medical Research Council of Canada and the National Institutes of Health. A cross-sectional study.
Notice bibliographique
Résumé
BACKGROUND: The Medical Research Council of Canada (MRCC) is the major Canadian agency responsible for funding biomedical health research in this country. Disease-specific funding by the United States National Institutes of Health (NIH) has been studied and is not independent of burden-of-disease parameters. We tested the association between disease-specific MRCC funding, disease-specific NIH funding and various burden-of-disease parameters. METHOD: Information on 1994/99 MRCC funding was obtained from the MRCC database for 29 diseases. NIH funding and burden-of-disease counterparts for the year 1996 were gleaned from a recent publication. The association between data series was measured by correlation coefficients. RESULTS: Disease-specific incidence, mortality and years-of-life lost did not correlate significantly with 1994/99 disease-specific MRCC funding but prevalence (r = 0.54, p = 0.005) and disability-adjusted life-years did (r = 0.48, p = 0.009). A correlation coefficient of 0.50 (p = 0.006) was calculated between 1996 NIH funding and 1996/97 MRCC funding. Two disease categories, cirrhosis and alcohol abuse, received a greater percentage of funds from the NIH than from the MRCC. Two other disease categories, epilepsy and perinatal disease, received a greater percentage of funds from the MRCC than from the NIH. CONCLUSIONS: Disease-specific MRCC grants in the past 5 years correlated with 2 of the usual burden-of-disease parameters: disability-adjusted life-years and disease prevalence. A statistically-significant correlation was observed between disease-specific grants awarded by the MRCC and the NIH.
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 | 0,118 | 0,312 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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; les deux têtes enseignantes 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 ».