The COVID-19 Global Rheumatology Alliance: evaluating the rapid design and implementation of an international registry against best practice
Notice bibliographique
Résumé
OBJECTIVES: As the coronavirus disease 2019 pandemic developed there was a paucity of data relevant to people living with rheumatic disease. This led to the development of a global, online registry to meet these information needs. This manuscript provides a detailed description of the coronavirus disease 2019 Global Rheumatology Alliance registry development, governance structure, and data collection, and insights into new ways of rapidly establishing global research collaborations to meet urgent research needs. METHODS: We use previously published recommendations for best practices for registry implementation and describe the development of the Global Rheumatology Alliance registry in terms of these steps. We identify how and why these steps were adapted or modified. In Phase 1 of registry development, the purpose of the registry and key stakeholders were identified on online platforms, Twitter and Slack. Phase 2 consisted of protocol and data collection form development, team building and the implementation of governance and policies. RESULTS: All key steps of the registry development best practices framework were met, though with the need for adaptation in some areas. Outputs of the registry, two months after initial conception, are also described. CONCLUSION: The Global Rheumatology Alliance registry will provide highly useful, timely data to inform clinical care and identify further research priorities for people with rheumatic disease with coronavirus disease 2019. The formation of an international team, easily able to function in online environments and resulting in rapid deployment of a registry is a model that can be adapted for other disease states and future global collaborations.
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 | 0,001 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».