Personalized pREvention of Chronic Diseases: the PRECeDI H2020 project
Notice bibliographique
Résumé
The aim of the Personalized pREvention of Chronic DIseases consortium (PRECeDI) is to provide high-quality, multidisciplinary knowledge through training and research in Personalized Medicine (PM), with specific reference to prevention of chronic diseases. There is a large consensus that PM is a driver of innovation for research and health care, and also for the health care system and industry as a whole. In order to harness the potential of this new concept, the PRECeDI consortium provides a cohesive framework for training staff from academic and non-academic (NA) institutions on research topics related to PM, with specific reference to the prevention of chronic diseases where there is a lack of substantial evidence, though the potential is huge. The acquisition of skills from staff will come from dedicated secondments aimed at training on research topics not available at the home institutions, and attendance to courses, workshops, seminars, conferences. The goal of secondment is to enable staff to make informed decisions for appropriately serve health care systems, new biotech industries and policy makers at the dawn of the post-genomic era. PRECeDI is a multidisciplinary group of institutions working on different facets of PM, from basic research, to economic evaluations, health service organization, and ethical, social, and policy issues. The consortium is embedded in existing cooperation structures, such as the PerMed project and the Erasmus Mundus ERAWEB II program, with additional leading SMEs in Europe and Canada as beneficiaries. The consortium consists of 11 partners, of which 7 are academic institutions and 4 NA, including 2 SMEs. During 4-years, 30 researchers will be seconded to 11 institutions, where researchers will be supported by a team of leading EU scientists in PM related disciplines. In the long run, PRECeDI will foster the integration of PM in the field of prevention, thus contributing to better health for Europe’s citizen.
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 | 0,046 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,009 |
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 ».