Pathology Study Design, Conduct, and Reporting to Achieve Rigor and Reproducibility in Translational Research Using Animal Models
Notice bibliographique
Résumé
In translational research, animal models are an important tool to aid in decision-making when taking potential therapies into human clinical trials. Recently, there have been a number of papers that have suggested limited concordance of preclinical animal experiments with subsequent human clinical experience. Assessments of preclinical animal studies have led to concerns about the reproducibility of data and have highlighted the need for an emphasis on rigor and quality in the planning, conduct, analysis, and reporting of such studies. The incorporation of a wider role for the comparative pathologist using pathology best practices in the planning and conduct of animal model-based research is one way to increase the quality and reproducibility of data. The use of optimal design and planning of tissue collection, incorporation of pathology methods into written protocols, conduct of pathology procedures using accepted best practices, and the use of optimal pathology analysis and reporting methods enhance the quality of the data acquired from many types of preclinical animal models and studies. Many of these pathology practices are well established in the discipline of toxicologic pathology and have a proven and useful track record in enhancing the data from animal-based studies used in safety assessment of human therapeutics. Some of this experience can be adopted by the wider community of preclinical investigators to increase the reproducibility of animal study data.
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 | 0,725 | 0,656 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,013 | 0,009 |
| Études des sciences et des technologies | 0,006 | 0,012 |
| Communication savante | 0,014 | 0,008 |
| Science ouverte | 0,007 | 0,007 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,005 |
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 ».