Data harmonization for collaborative research among MS registries: A case study in employment
Notice bibliographique
Résumé
OBJECTIVE: To assess the feasibility of collaboration and retrospective data harmonization among three multiple sclerosis (MS) registries by investigating employment status. METHODS: We used the Maelstrom guidelines to facilitate retrospective harmonization of data from three MS registries, including the NARCOMS (North American Research Committee on MS) Registry, German MS Register (GMSR), and United Kingdom MS (UK-MS) Register. A protocol was developed based on the guidelines, and summary-level data were used to combine results. Employment status and a limited set of factors associated with employment (age, sex, education, and disability level) were harmonized. A meta-analytic approach was used to pool estimates using a weighted average of logistic regression estimates and their variances in a random effects model. RESULTS: Employment status, age, sex, education, and disability were mapped. The overall employment rate was 57% (11,143 employed out of 19,562 persons with MS) with the GMSR having the highest proportion of participants employed (66.2%), followed by the UK-MS (55.2%) and NARCOMS (43.0%) registries. As disability level increased, the odds of not being employed increased. CONCLUSION: Harmonization across registries was feasible. The Maelstrom guidelines provide a valuable roadmap for conducting high-quality harmonization projects. The pooling of data sources has the potential to be an important mechanism for conducting research in MS.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».