Design considerations in an active medical product safety monitoring system
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Active medical product monitoring systems, such as the Sentinel System, will utilize electronic healthcare data captured during routine health care. Safety signals that arise from these data may be spurious because of chance or bias, particularly confounding bias, given the observational nature of the data. Applying appropriate monitoring designs can filter out many false-positive and false-negative associations from the outset. Designs can be classified by whether they produce estimates based on between-person or within-person comparisons. In deciding which approach is more suitable for a given monitoring scenario, stakeholders must consider the characteristics of the monitored product, characteristics of the health outcome of interest (HOI), and characteristics of the potential link between these. Specifically, three factors drive design decisions: (i) strength of within-person and between-person confounding; (ii) whether circumstances exist that may predispose to misclassification of exposure or misclassification of the timing of the HOI; and (iii) whether the exposure of interest is predominantly transient or sustained. Additional design considerations include whether to focus on new users, the availability of appropriate active comparators, the presence of an exposure time trend, and the measure of association of interest. When the key assumptions of self-controlled designs are fulfilled (i.e., lack of within-person, time-varying confounding; abrupt HOI onset; and transient exposure), within-person comparisons are preferred because they inherently avoid confounding by fixed factors. The cohort approach generally is preferred in other situations and particularly when timing of exposure or outcome is uncertain because cohort approaches are less vulnerable to biases resulting from misclassification.
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.
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 | 0,037 | 0,160 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 découle