The kidney cancer research priority-setting partnership: Identifying the top 10 research priorities as defined by patients, caregivers, and expert clinicians
Notice bibliographique
Résumé
It is critically important to define disease-specific research priorities to better allocate limited resources. There is growing recognition of the value of involving patients and caregivers, as well as expert clinicians in this process. To our knowledge, this has not been done this way for kidney cancer. Using the transparent and inclusive process established by the James Lind Alliance, the Kidney Cancer Research Network of Canada (KCRNC) sponsored a collaborative consensus-based priority-setting partnership (PSP) to identify research priorities in the management of kidney cancer. The final result was identification of 10 research priorities for kidney cancer, which are discussed in the context of current initiatives and gaps in knowledge. This process provided a systematic and effective way to collaboratively establish research priorities with patients, caregivers, and clinicians, and provides a valuable resource for researchers and funding agencies.
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 | 0,375 | 0,333 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,010 | 0,008 |
| Études des sciences et des technologies | 0,014 | 0,007 |
| Communication savante | 0,024 | 0,020 |
| Science ouverte | 0,005 | 0,041 |
| Intégrité de la recherche | 0,007 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».