Bringing together scientific disciplines for collaborative undertakings: a vision for advancing the adverse outcome pathway framework
Notice bibliographique
Résumé
BACKGROUND: Decades of research to understand the impacts of various types of environmental occupational and medical stressors on human health have produced a vast amount of data across many scientific disciplines. Organizing these data in a meaningful way to support risk assessment has been a significant challenge. To address this and other challenges in modernizing chemical health risk assessment, the Organisation for Economic Cooperation and Development (OECD) formalized the adverse outcome pathway (AOP) framework, an approach to consolidate knowledge into measurable key events (KEs) at various levels of biological organisation causally linked to disease based on the weight of scientific evidence (http://oe.cd/aops). Currently, AOPs have been considered predominantly in chemical safety but are relevant to radiation. In this context, the Nuclear Energy Agency's (NEA's) High-Level Group on Low Dose Research (HLG-LDR) is working to improve research co-ordination, including radiological research with chemical research, identify synergies between the fields and to avoid duplication of efforts and resource investments. To this end, a virtual workshop was held on 7 and 8 October 2020 with experts from the OECD AOP Programme together with the radiation and chemical research/regulation communities. The workshop was a coordinated effort of Health Canada, the Electric Power Research Institute (EPRI), and the Nuclear Energy Agency (NEA). The AOP approach was discussed including key issues to fully embrace its value and catalyze implementation in areas of radiation risk assessment. CONCLUSIONS: A joint chemical and radiological expert group was proposed as a means to encourage cooperation between risk assessors and an initial vision was discussed on a path forward. A global survey was suggested as a way to identify priority health outcomes of regulatory interest for AOP development. Multidisciplinary teams are needed to address the challenge of producing the appropriate data for risk assessments. Data management and machine learning tools were highlighted as a way to progress from weight of evidence to computational causal inference.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».