Model consent clauses for rare disease research
Notice bibliographique
Résumé
BACKGROUND: Rare Disease research has seen tremendous advancements over the last decades, with the development of new technologies, various global collaborative efforts and improved data sharing. To maximize the impact of and to further build on these developments, there is a need for model consent clauses for rare diseases research, in order to improve data interoperability, to meet the informational needs of participants, and to ensure proper ethical and legal use of data sources and participants' overall protection. METHODS: A global Task Force was set up to develop model consent clauses specific to rare diseases research, that are comprehensive, harmonized, readily accessible, and internationally applicable, facilitating the recruitment and consent of rare disease research participants around the world. Existing consent forms and notices of consent were analyzed and classified under different consent themes, which were used as background to develop the model consent clauses. RESULTS: The IRDiRC-GA4GH MCC Task Force met in September 2018, to discuss and design model consent clauses. Based on analyzed consent forms, they listed generic core elements and designed the following rare disease research specific core elements; Rare Disease Research Introductory Clause, Familial Participation, Audio/Visual Imaging, Collecting, storing, sharing of rare disease data, Recontact for matching, Data Linkage, Return of Results to Family Members, Incapacity/Death, and Benefits. CONCLUSION: The model consent clauses presented in this article have been drafted to highlight consent elements that bear in mind the trends in rare disease research, while providing a tool to help foster harmonization and collaborative efforts.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,043 | 0,788 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes 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 ».