Assessment of the alignment between research funding allocation and consensus research priority areas in kidney cancer.
Notice bibliographique
Résumé
e16538 Background: Finite resources are available to fund research, and it is important to ensure stakeholder input is identified and prioritized. In this light, the KCRNC and CIHR sponsored a consensus-based priority-setting partnership that brought together a group of patients, caregivers, and clinicians to identify the top 10 research priorities in kidney cancer (Table), with a consensus document published in 2017. The final step of the prioritization process was to determine how research funding allocation has aligned with these previously identified priority areas. We report the results of this assessment. Methods: We queried publicly available Canadian and American research databases to identify all research funds allocated to kidney cancer from 2018-2020. Each funded project was assessed to determine which priority areas were addressed. We evaluated the percent of projects and percent of funding dollars (converted to USD) allocated to priority areas. Projects were stratified by country, type of research (basic science/translational or clinical), and cancer stage of focus (localized and/or metastatic). Results: A total of 121 kidney cancer research projects were funded between 2018-2020, with 15 Canadian projects (total $ = 1,906,398 USD) and 106 American projects (total $ = 56,317,386 USD). Most projects were basic science or translational (88%). Half (50%) of the projects focused on localized cancer while 26% of projects focused on metastatic kidney cancer. Overall, 49% of projects aligned to one priority area, 47% of projects aligned to multiple priority areas, and 4% of projects were not aligned to priority areas. The priority areas which received the most funding were causes of kidney cancer (priority #10, 64% of funds), biomarkers (priorities #1b+1c+5, 59%), and immunotherapies (priority #4, 41%)(Table). Unfunded priority areas were supportive care (priority #6) and the role of biopsy in kidney cancer management (priority #8). Conclusions: Nearly all kidney cancer projects funded since 2018 were aligned with one or multiple stakeholder-identified research priority areas, although some priority areas remain underfunded. Mechanisms to improve distribution of funding to all priority areas may be warranted.[Table: see text]
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 | 0,242 | 0,389 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,018 | 0,029 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».