Evaluating Metrics Applied to the Medical Science Liaison (MSL) Role: A Survey-Based Study of Canadian MSL Leaders
Notice bibliographique
Résumé
INTRODUCTION: Metrics utilized within the Medical Science Liaison (MSL) role are plentiful and traditionally quantitative. We sought to understand the current use and value of metrics applied to the MSL role, including the use of qualitative metrics. METHODS: We developed a list of 70 MSL leaders working in Canada, spanning 29 companies. Invitations were emailed Jun 16, 2020 and the 25-question online survey was open for 3 weeks. Questions were designed to assess demographics as well as how and why metrics are applied to the MSL role. Data analyses were descriptive. RESULTS: Responses were received from 44 leaders (63%). Of the 42 eligible, 45% had ≤ 2 years of experience as MSL leaders and 86% supported specialty care products over many phases of the product lifecycle. A majority (69%) agreed or strongly agreed that metrics are critical to understanding whether an MSL is delivering value, and 98% had used metrics in the past year. The most common reason to use metrics was 'to show value/impact of MSLs to leadership' (66%). The most frequently used metric was 'number of health-care professional (HCP) interactions', despite this being seen as having moderate value. Quantitative metrics were used more often than qualitative, although qualitative were more often highly valued. CONCLUSION: The data collected show a lack of agreement between the frequency of use for some metrics and their value in demonstrating the contribution of an MSL. Overall, MSL leaders in our study felt qualitative metrics were a better means of showing the true impact of MSLs.
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 | 0,065 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,069 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».