Clinical trial data sharing: here’s the challenge
Notice bibliographique
Résumé
OBJECTIVE: Anonymised patient-level data from clinical research are increasingly recognised as a fundamental and valuable resource. It has value beyond the original research project and can help drive scientific research and innovations and improve patient care. To support responsible data sharing, we need to develop systems that work for all stakeholders. The members of the Independent Review Panel (IRP) for the data sharing platform Clinical Study Data Request (CSDR) describe here some summary metrics from the platform and challenge the research community on why the promised demand for data has not been observed. SUMMARY OF DATA: From 2014 to the end of January 2019, there were a total of 473 research proposals (RPs) submitted to CSDR. Of these, 364 met initial administrative and data availability checks, and the IRP approved 291. Of the 90 research teams that had completed their analyses by January 2018, 41 reported at least one resulting publication to CSDR. Less than half of the studies ever listed on CSDR have been requested. CONCLUSION: While acknowledging there are areas for improvement in speed of access and promotion of the platform, the total number of applications for access and the resulting publications have been low and challenge the sustainability of this model. What are the barriers for data contributors and secondary analysis researchers? If this model does not work for all, what needs to be changed? One thing is clear: that data access can realise new and unforeseen contributions to knowledge and improve patient health, but this will not be achieved unless we build sustainable models together that work for all.
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 | 0,649 | 0,819 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,005 | 0,008 |
| Bibliométrie | 0,007 | 0,012 |
| Études des sciences et des technologies | 0,007 | 0,033 |
| Communication savante | 0,033 | 0,057 |
| Science ouverte | 0,012 | 0,027 |
| Intégrité de la recherche | 0,019 | 0,029 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,015 |
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 ».