Biospecimen Complexity—the Next Challenge for Cancer Research Biobanks?
Notice bibliographique
Résumé
Abstract Purpose: Biospecimens (e.g., tissues, bloods, fluids) are critical for translational cancer research to generate the necessary knowledge to guide implementation of precision medicine. Rising demand and the need for higher quality biospecimens are already evident. Experimental Design: The recent increase in requirement for biospecimen complexity in terms of linked biospecimen types, multiple preservation formats, and longitudinal data was explored by assessing trends in cancer research publications from 2000 to 2014. Results: A PubMed search shows that there has been an increase in both raw numbers and the relative proportion (adjusted for total numbers of articles in each period) of the subgroups of articles typically associated with the use of biospecimens and both dense treatment and/or outcomes data and multiple biospecimen formats. Conclusions: Increasing biospecimen complexity is a largely unrecognized and new pressure on cancer research biobanks. New approaches to cancer biospecimen resources are needed such as the implementation of more efficient and dynamic consent mechanisms, stronger participant involvement in biobank governance, development of requirements for registration of collections, and models to establish stock targets for biobanks. In particular, the latter two approaches would enable funders to establish a better balance between biospecimen supply and research demand, reduce expenditure on duplicate collections, and encourage increased efficiency of biobanks to respond to the research need for more complex cases. This in turn would also enable biobanks to focus more on quality and standardization that are surely factors in the even more important arena of research reproducibility. Clin Cancer Res; 23(4); 894–8. ©2016 AACR.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,084 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,013 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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; les deux têtes enseignantes 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 ».