Translating rare-disease therapies into improved care for patients and families: what are the right outcomes, designs, and engagement approaches in health-systems research?
Notice bibliographique
Résumé
There is a need for research to understand and improve health systems for rare diseases in order to ensure that new, efficacious therapies developed through basic and early translational science lead to real benefits for patients. Such research must (i) focus on appropriate patient-oriented outcomes, (ii) include robust study designs that can accommodate real-world decision priorities, and (iii) involve effective stakeholder-engagement strategies. For transformative therapies, study outcomes will need to shift toward longer-term goals in recognition of success in preventing catastrophic outcomes. For incremental therapies, outcomes should be selected in recognition of the impact of care on quality of life for patients and families. To generate new evidence, we suggest that hybrid study designs integrating elements of practice-based observational research and pragmatic trials hold the most promise for addressing priorities such as minimizing bias, accounting for cointerventions, identifying long-term impacts, and considering clinical heterogeneity. To effectively engage with stakeholders, a knowledge exchange infrastructure is needed to foster collaboration among patients with rare diseases and their families, health-care providers, researchers, and policy decision makers. A key priority for these groups must be collaboration toward a shared understanding of the outcomes that are of most relevance to the facilitation of patient-centered care.
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 | 0,064 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».