Common data elements for clinical research in Friedreich's ataxia
Notice bibliographique
Résumé
To reduce study start-up time, increase data sharing, and assist investigators conducting clinical studies, the National Institute of Neurological Disorders and Stroke embarked on an initiative to create common data elements for neuroscience clinical research. The Common Data Element Team developed general common data elements, which are commonly collected in clinical studies regardless of therapeutic area, such as demographics. In the present project, we applied such approaches to data collection in Friedreich's ataxia (FRDA), a neurological disorder that involves multiple organ systems. To develop FRDA common data elements, FRDA experts formed a working group and subgroups to define elements in the following: ataxia and performance measures; biomarkers; cardiac and other clinical outcomes; and demographics, laboratory tests, and medical history. The basic development process included identification of international experts in FRDA clinical research, meeting by teleconference to develop a draft of standardized common data elements recommendations, vetting of recommendations across the subgroups, and dissemination of recommendations to the research community for public comment. The full recommendations were published online in September 2011 at http://www.commondataelements.ninds.nih.gov/FA.aspx. The subgroups' recommendations are classified as core, supplemental, or exploratory. Template case report forms were created for many of the core tests. The present set of data elements should ideally lead to decreased initiation time for clinical research studies and greater ability to compare and analyze data across studies. Their incorporation into new, ongoing studies will be assessed in an ongoing fashion to define their utility in FRDA.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».