MétaCan
Menu
Retour à la cohorte
Enregistrement W2139604507 · doi:10.1186/1750-1172-9-s1-p13

Evolution of national and European policies in the field of rare diseases and their impact over the past five years

2014· article· en· W2139604507 sur OpenAlexaboutno aff
Charlotte Rodwell, Ségolène Aymé

Notice bibliographique

RevueOrphanet Journal of Rare Diseases · 2014
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenomics and Rare Diseases
Établissements canadiensnon disponible
Organismes subventionnairesEuropean Organisation for Rare DiseasesInstitut National de la Santé et de la Recherche MédicaleEuropean Commission
Mots-clésHuman geneticsField (mathematics)Orphan drugPolitical scienceMedicineBiologyBioinformaticsGenetics

Résumé

récupéré en direct d'OpenAlex

The 2009 Council Recommendation on an Action in the Field of Rare Diseases (2009/C 151/02) [1] encouraged Member States to elaborate a national plan or strategy for rare diseases before the end of 2013. One of the principal tasks of the European Union Committee of Experts on Rare Diseases (EUCERD) [2], through its Scientific Secretariat, was to analyse the results of the actions cited in the Recommendation, notably through the production of the annual report on the ‘State of the Art of Rare Disease Activities in Europe’ [3]. The 2014 edition of the report considers the impact of European policy and national plans/strategies (Figure ​(Figure1)1) on the organisation of health care and services for patients with rare diseases, including access to diagnosis and treatment, as well as considering progress in the field of registries, rare disease research initiatives, the genetic testing offer, access to information on rare diseases, patient organisations, and specialised social services. In terms of national plans and strategies for rare diseases, by end 2013, the deadline to elaborate national plans/strategies for rare diseases fixed by the Council Recommendation, most EU Member States had submitted a plan/strategy to their national authorities and sixteen countries have adopted a plan/strategy (Figure ​(Figure2).2). France and Spain have implemented and assessed their first plan. As their number one priority, most countries plan to identify and design centres of expertise for rare diseases. Many of these plans/strategies, however, have no dedicated budget for their actions, a result of the unfavourable economic context which may hinder the implementation of defined measures. The next challenge for EU Member States will be to effectively implement and assess these plans, which the new Commission Expert Group on Rare Diseases [4] will follow closely. Research in the field of rare diseases has been boosted in recent years due to European and international initiatives, such as European research projects funded via the DG Research and Innovation framework programmes and the E-Rare ERA-NET [5] as well as the creation of the International Rare Disease Research Consortium (IRDIRC) [6]. The Orphanet database [7] continues to expand and provides data collected in 37 European and surrounding countries with partner teams in Canada and Australia and negotiations ongoing in other world regions. Nearly all countries now have a national alliance for rare diseases ensuring that the voice of rare diseases, carried by Eurordis [8] at the European level, is heard. Figure 1 Emergence of concepts and initiatives surrounding rare diseases in Europe (December 2013) Figure 2 Stages of development of national plans or strategies for rare diseases in EU MS in December 2013

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,054
score de la tête « metaresearch » (Gemma)0,083
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,054
Score d'incertitude au seuil0,287

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0540,083
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,014
Études des sciences et des technologies0,0030,008
Communication savante0,0210,009
Science ouverte0,0040,009
Intégrité de la recherche0,0120,008
Charge utile insuffisante (le modèle a refusé de juger)0,0090,002

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,240
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOrphanet Journal of Rare DiseasesMême sujetGenomics and Rare DiseasesTravaux en français237 207