A systematic assessment of the availability and clinical drug information coverage of machine-readable clinical drug data sources for building knowledge translation products
Notice bibliographique
Résumé
Objective: To identify and describe clinical drug data sources that have the potential to serve as a repository of information for developing drug knowledge translation products. Methods: Two reviewers independently screened citations from PubMed and Embase, websites from the web search engine Google, and references from selected journals. Publicly licensed or non-proprietary data sources containing clinical drug information accessible in a machine-readable format were eligible. Data sources were assessed for their coverage across 18 pre-specified domains and 74 elements of clinical drug information. Results: Of the 3369 unique citations or webpages screened, 44 drug information data sources were identified. Of these, 22 data sources met the study inclusion criteria. There was a mean of 4.5 (SD = 5.19) domains covered by each source and a mean of 10.9 (SD = 18) elements covered by each source. None of the data sources covered all domains and eight elements were not addressed by any source. All of the data sources identified by the study are government or academic databases. Conclusion: Our study demonstrated the availability of machine-readable clinical drug data that could help facilitate the creation of novel drug knowledge translation products. However, we identified clinical content gaps in the available non-proprietary drug information sources. Further evaluation of the quality of each data source would be necessary prior to incorporating these sources into any knowledge translation products intended for clinical use.
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 | 0,166 | 0,502 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,076 | 0,041 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
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 ».