MétaCan
Menu
Retour à la cohorte
Enregistrement W2519711882 · doi:10.1002/cpt.509

Adaptive Biomedical Innovation: Evolving Our Global System to Sustainably and Safely Bring New Medicines to Patients in Need

2016· article· en· W2519711882 sur OpenAlexaff
Gigi Hirsch, Mark Trusheim, E Cobbs, M Bala, S Garner, Daniel Hartman, Kristin Isaacs, Murray Lumpkin, Robyn Lim, Kenneth A. Oye, Edmund J. Pezalla, Peter L. Saltonstall, Harry P. Selker

Notice bibliographique

RevueClinical Pharmacology & Therapeutics · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueBiomedical and Engineering Education
Établissements canadiensHealth Canada
Organismes subventionnairesAlfred P. Sloan FoundationEwing Marion Kauffman Foundation
Mots-clésProcess managementPaceKnowledge managementBusinessBusiness process reengineeringStructuringMaturity (psychological)SustainabilityProcess (computing)Product (mathematics)Risk analysis (engineering)New product developmentComputer scienceMarketing

Résumé

récupéré en direct d'OpenAlex

The current system of biomedical innovation is unable to keep pace with scientific advancements. We propose to address this gap by reengineering innovation processes to accelerate reliable delivery of products that address unmet medical needs. Adaptive biomedical innovation (ABI) provides an integrative, strategic approach for process innovation. Although the term "ABI" is new, it encompasses fragmented "tools" that have been developed across the global pharmaceutical industry, and could accelerate the evolution of the system through more coordinated application. ABI involves bringing stakeholders together to set shared objectives, foster trust, structure decision-making, and manage expectations through rapid-cycle feedback loops that maximize product knowledge and reduce uncertainty in a continuous, adaptive, and sustainable learning healthcare system. Adaptive decision-making, a core element of ABI, provides a framework for structuring decision-making designed to manage two types of uncertainty - the maturity of scientific and clinical knowledge, and the behaviors of other critical stakeholders.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,629
Score d'incertitude au seuil0,591

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,036
Tête enseignante GPT0,354
Écart entre enseignants0,318 · 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 tête enseignante, 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

Citations12
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical Pharmacology & TherapeuticsMême sujetBiomedical and Engineering EducationTravaux en français237 207