Incidental Findings in Data-Intensive Postgenomics Science and Legal Liability of Clinician–Researchers: Ready for Vaccinomics?
Notice bibliographique
Résumé
Vaccinomics encompasses a host of multiomics approaches to characterize variability in host-environment (including pathogens) interactions, with a view to a more directed or personalized use of vaccine-based health interventions. Although vaccinomics has the potential to reduce adverse effects and increase efficacy of vaccines, the use of high-throughput, data-intensive technologies may also lead to unanticipated discoveries beyond the initial aims of a vaccinomics study--discoveries that could be highly significant to the health of the research participants. How do clinician-researchers faced with such information have to act? What are the attendant legal duties in such circumstances and how do they differ from the duties of non-clinician researchers? Together with a critical analysis of the international laws and policies framing researchers' duties with regard to incidental findings, this article also draws from Quebec's civil law--with its rich jurisprudence on clinician and researcher liability--as a case study to evaluate the potential legal implications associated with vaccinomics investigations. Given previous lessons learned from other data-intensive sciences, the education of clinician-researchers with regard to their roles, limitations, and legal obligations remains an important strategy to prevent potential legal complications and civil liability in vaccinomics research in the postgenomics era.
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 | 0,266 | 0,392 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,014 | 0,079 |
| Communication savante | 0,013 | 0,015 |
| Science ouverte | 0,005 | 0,013 |
| Intégrité de la recherche | 0,031 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».