MétaCan
Menu
Retour à la cohorte
Enregistrement W2158753026 · doi:10.3747/co.v18i5.814

Establishing a Multicentre Clinical Research Network: Lessons Learned

2011· article· en· W2158753026 sur OpenAlexafffundvenueabout
Neil A. Hagen, Carla Stiles, Patricia Biondo, Greta G. Cummings, Robin L. Fainsinger, Dwight E. Moulin, José Pereira, Ron Spice

Notice bibliographique

RevueCurrent Oncology · 2011
Typearticle
Langueen
DomaineMedicine
ThématiqueHealth and Medical Research Impacts
Établissements canadiensUniversity of OttawaWestern UniversityUniversity of AlbertaUniversity of CalgaryAlberta Health Services
Organismes subventionnairesCanadian Institutes of Health ResearchFondation pour la Recherche Médicale
Mots-clésTimelineAccountabilityMedicineKnowledge managementProcess managementMedical educationPublic relationsComputer scienceBusinessPolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Within many health care disciplines, research networks have emerged to connect researchers who are physically separated, to facilitate sharing of expertise and resources, and to exchange valuable skills. A multicentre research network committed to studying difficult cancer pain problems was launched in 2004 as part of a Canadian initiative to increase palliative and end-of-life care research capacity. Funding was received for 5 years to support network activities. METHODS: Mid-way through the 5-year granting period, an external review panel provided a formal mid-grant evaluation. Concurrently, an internal evaluation of the network by survey of its members was conducted. Based on feedback from both evaluations and on a review of the literature, we identified several components believed to be relevant to the development of a successful clinical cancer research network. RESULTS: THESE COMMON ELEMENTS OF SUCCESSFUL CLINICAL CANCER RESEARCH NETWORKS WERE IDENTIFIED: shared vision, formal governance policies and terms of reference, infrastructure support, regular and effective communication, an accountability framework, a succession planning strategy to address membership change over time, multiple strategies to engage network members, regular review of goals and timelines, and a balance between structure and creativity. CONCLUSIONS: In establishing and conducting a multi-year, multicentre clinical cancer research network, network members were led to reflect on the factors that contributed most to the achievement of network goals. Several specific factors were identified that seemed to be highly relevant in promoting success. These observations are presented to foster further discussion on the successful design and operation of research networks.

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)0,146
score de la tête « metaresearch » (Gemma)0,175
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,854
Score d'incertitude au seuil0,773

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1460,175
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0070,006
Communication savante0,0130,014
Science ouverte0,0080,012
Intégrité de la recherche0,0050,007
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,937
Tête enseignante GPT0,718
Écart entre enseignants0,219 · 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.

Devis d'étudeQualitatif
DomaineMéthodes
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

Citations26
Publié2011
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueCurrent OncologyMême sujetHealth and Medical Research ImpactsTravaux en français237 207