The Outcomes of Scientific Debates Should Be Published: The Arivale Story
Notice bibliographique
Résumé
There is an ongoing scientific debate regarding the merits and shortcomings of P4 Medicine (predictive, preventive, personalized, and participatory) and O4 Medicine (overtesting, overdiagnosis, overtreatment, and overcharging). P4 Medicine promises to revolutionize scientific wellness through longitudinal big data collection, denoted as "dense phenotyping," which could uncover early, actionable signs of disease, thus allowing earlier interventions and possible disease reversal. On the other hand, O4 Medicine draws attention to the potential side effects of P4 Medicine: overtesting, overdiagnosis, overtreatment, and overcharging fees. Preliminary data from the P4 Medicine concept have been recently published. A novel biotechnology company, Arivale, provided customers with services based on P4 Medicine principles; however it could not sustain its operations and closed its doors in April 2019. In this report, we provide our own insights as to why Arivale failed. While we do not discount that in the future, improved testing strategies may provide a path to better health, we suggest that until the evidence is provided, selling of such products to the public, especially through the "direct to consumer" approach, should be discouraged. We hope that our analysis will provide useful information for the burgeoning fields of personalized medicine, preventive medicine, and direct to consumer health testing.
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 | 0,074 | 0,290 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,012 |
| Communication savante | 0,026 | 0,022 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,026 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,010 |
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 ».