A comparative analysis of the requirements for the use of data in biobanks based in Finland, Germany, the Netherlands, Norway and the United Kingdom
Notice bibliographique
Résumé
To understand the causes of disease and improve diagnosis and treatment regimes, biomedical researchers need access to large numbers of well-characterized data and samples. Over the past decade, biobanks have been established across Europe to collect and manage access to data and samples. The challenge that we face is how to develop the tools and collaborations to enable researchers to access samples and data from a network of biobanks, rather than applying to individual biobanks. One of the perceived stumbling blocks to achieving this is represented by the different legal requirements in each country. The aim of the BioSHaRE-European Union (EU) project is to address these challenges by developing tools and methods for researchers to access and use pooled data from different cohort and biobank studies. The purpose of this article is to identify and compare the key legal requirements regarding research use of data across biobanks based in Finland, Germany, the Netherlands, Norway and the UK. Our investigation starts with the analysis of the key differences for the use of data between these countries. As a result, we identified three key areas where legal requirements differ across the five BioSHaRE-EU jurisdictions, namely, in the definition of personal data, the requirements regarding pseudonymization and processing for medical research purposes. This article provides an overview of these differences and describes them in the light of the proposed EU regulation on data protection.
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 | 0,205 | 0,387 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,012 | 0,008 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».