Exploring open innovation with a patient focus in drug discovery: an evolving paradigm of patient engagement
Notice bibliographique
Résumé
It is suggested in this article that patient engagement should occur further upstream during the drug discovery stage. 'Lead patients', namely those patients who are proactive with respect to their health, possess knowledge of their disease and resulting symptoms. They are also well informed about the conventional as well as non-conventional treatments for disease management; and so can provide a nuanced perspective to drug design. Understanding how patients view the management of their diseases and how they view the use of conventional versus non-conventional interventions is of imperative importance to researchers. Indeed, this can provide insight into how conventional treatments might be designed from the outset to encourage compliance and positive health outcomes. Consequently, a continuum of lead patient engagement is employed that focuses on drug discovery processes ranging from participative, informative to collaborative engagement. This article looks at a variety of open innovation models that are currently employed across this engagement spectrum. It is no longer sufficient for industry stakeholders to consider conventional therapies as the only mechanisms being sought after by patients. Without patient engagement, the industry risks being re-prioritized in terms of its role in the patient journey towards not only recovery of health, but also sustained health and wellness before disease onset.
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 | 0,022 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,019 |
| Communication savante | 0,016 | 0,016 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,042 | 0,049 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».