A Pragmatic Approach to Adverse Outcome Pathway Development and Evaluation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The adverse outcome pathway (AOP) framework provides a practical means for organizing scientific knowledge that can be used to infer cause-effect relationships between stressor events and toxicity outcomes in intact organisms. It has reached wide acceptance as a tool to aid chemical safety assessment and regulatory toxicology by supporting a systematic way of predicting adverse health outcomes based on accumulated mechanistic knowledge. A major challenge for broader application of the AOP concept in regulatory toxicology, however, has been developing robust AOPs to a level where they are peer reviewed and accepted. This is because the amount of work required to substantiate the modular units of a complete AOP is considerable, to the point where it can take years from start to finish. To help alleviate this bottleneck, we propose a more pragmatic approach to AOP development whereby the focus becomes on smaller blocks. First, we argue that the key event relationship (KER) should be formally recognized as the core building block of knowledge assembly within the AOP knowledge base (AOP-KB), albeit framing them within full AOPs to ensure regulatory utility. Second, we argue that KERs should be developed using systematic review approaches, but only in cases where the underlying concept does not build on what is considered canonical knowledge. In cases where knowledge is considered canonical, rigorous systematic review approaches should not be required. It is our hope that these approaches will contribute to increasing the pace at which the AOP-KB is populated with AOPs with utility for chemical safety assessors and regulators.
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.
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 | 0,003 | 0,001 |
| 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 | 0,000 | 0,001 |
| 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 découle