Gimme My Damn Data (and Let Patients Help!): The #GimmeMyDamnData Manifesto
Notice bibliographique
Résumé
Ten years ago, in 2009, "e-Patient Dave" deBronkart delivered an influential keynote speech at the Medicine 2.0 conference in Toronto, organized by the Journal of Medical Internet Research's (JMIR's) editor-in-chief Gunther Eysenbach, who themed the conference around the topics of participation, openness, collaboration, apomediation, and social networking to improve health care for the 21st century-with patient participation being a major component. Many see this as a defining event within the participatory medicine movement, perhaps the beginning of a social movement, similar to the women's rights movement, with the title of Dave's keynote "Gimme my damn data" becoming a rallying cry and hashtag for patients demanding more access to their electronic health records. On the occasion of the 20th anniversary of JMIR (and 10 years after the keynote), we are celebrating the impact of the keynote for the participatory medicine movement and #gimmemydamndata (also #GMDD) by publishing the transcript of these initial conversations as a manifesto of patients' rights to access their data and their right to save their lives.
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 | 0,031 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,011 |
| Communication savante | 0,019 | 0,015 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,009 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,013 |
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 ».