MétaCan
Menu
Retour à la cohorte
Enregistrement W2606068243 · doi:10.1371/journal.pmed.1002276

An open source pharma roadmap

2017· article· en· W2606068243 sur OpenAlexaff
Manica Balasegaram, Peter Kolb, John C. McKew, Jaykumar Menon, Piero Olliaro, Tomasz Sablinski, Zakir Thomas, Matthew H. Todd, Els Torreele, John Wilbanks

Notice bibliographique

RevuePLoS Medicine · 2017
Typearticle
Langueen
DomaineComputer Science
ThématiqueOpen Source Software Innovations
Établissements canadiensMcGill University
Organismes subventionnairesOpen Source Drug DiscoveryTata TrustsWorld Health OrganizationRockefeller Foundation
Mots-clésOpen sourceDrug developmentDrug approvalMedicineMEDLINEData scienceComputer sciencePolitical scienceDrugPharmacologyLaw

Résumé

récupéré en direct d'OpenAlex

This Essay outlines how open source methods of working could be applied to the discovery and development of new medicines.• There are many potential advantages of an open source approach, such as improved efficiency, the quality and relevance of the research, and wider participation by the scientific and patient communities; a blend of traditional and innovative financing mechanisms will have to be adopted.• To evaluate properly the effectiveness of an open source methodology and its potential as an alternative model of drug discovery and development, we recommend that new projects be trialed and existing projects scaled up. Where we standThe scientific and medical community has discovered and developed many groundbreaking medicines that have had a major impact on public health.However, drug development is challenged by a widening gap between health needs and the pharmaceutical industry's motives and business model, alongside a decrease in efficiency per research dollar spent in medicinal product research and development (R&D), a trend known colloquially as Eroom's Law [1].Such fundamental challenges result in frequent high-level calls for new initiatives to develop therapeutics and bring them to market [2,3].These include market push and pull mechanisms such as priority review vouchers, advance market commitments, and public R&D funding [4].New organizational models have also emerged, including public-private partnerships (PPPs) [5] and not-for-profit product development partnerships (PDPs) (for example, the Drugs for Neglected Diseases Initiative [DNDi], the Medicines for Malaria Venture [MMV], and the Global Alliance for Tuberculosis Drug Development [TB Alliance]) that often apply a full "delinkage" model in which the price of medicines and the cost of R&D are uncoupled [6,7].

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)0,023
score de la tête « metaresearch » (Gemma)0,057
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesScience ouverte
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,998
Score d'incertitude au seuil0,120

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0230,057
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0050,008
Communication savante0,0130,025
Science ouverte0,0020,013
Intégrité de la recherche0,0210,028
Charge utile insuffisante (le modèle a refusé de juger)0,0190,009

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.

Tête enseignante Opus0,078
Tête enseignante GPT0,367
Écart entre enseignants0,288 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations52
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS MedicineMême sujetOpen Source Software InnovationsTravaux en français237 207