Cancer Pharmacogenomics and Pharmacoepidemiology: Setting a Research Agenda to Accelerate Translation
Notice bibliographique
Résumé
Recent advances in genomic research have demonstrated a substantial role for genomic factors in predicting response to cancer therapies. Researchers in the fields of cancer pharmacogenomics and pharmacoepidemiology seek to understand why individuals respond differently to drug therapy, in terms of both adverse effects and treatment efficacy. To identify research priorities as well as the resources and infrastructure needed to advance these fields, the National Cancer Institute (NCI) sponsored a workshop titled "Cancer Pharmacogenomics: Setting a Research Agenda to Accelerate Translation" on July 21, 2009, in Bethesda, MD. In this commentary, we summarize and discuss five science-based recommendations and four infrastructure-based recommendations that were identified as a result of discussions held during this workshop. Key recommendations include 1) supporting the routine collection of germline and tumor biospecimens in NCI-sponsored clinical trials and in some observational and population-based studies; 2) incorporating pharmacogenomic markers into clinical trials; 3) addressing the ethical, legal, social, and biospecimen- and data-sharing implications of pharmacogenomic and pharmacoepidemiologic research; and 4) establishing partnerships across NCI, with other federal agencies, and with industry. Together, these recommendations will facilitate the discovery and validation of clinical, sociodemographic, lifestyle, and genomic markers related to cancer treatment response and adverse events, and they will improve both the speed and efficiency by which new pharmacogenomic and pharmacoepidemiologic information is translated into clinical practice.
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 | 0,006 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».