Medical journal requirements for clinical trial data sharing: Ripe for improvement
Notice bibliographique
Résumé
In some science, technology, engineering, and mathematics (STEM) fields, data sharing is the norm (e.g., physics or space science).However, this is currently not the case in biomedicine, except for certain exceptions in areas such as genomics.For therapeutic research, data sharing is expected to maximize the value of research for clinical practice by means of greater transparency and opportunities for external researchers to reanalyze, synthesize, replicate, and build upon previous evidence.Examples include reanalyses, secondary analyses, individual patient data (IPD) meta-analyses, and methodological evaluations.Maximizing the efficient use of clinical research data is important in the development of new therapeutic options, including treatments for the Coronavirus Disease 2019 (COVID-19). Summary points• Efficient sharing and reuse of data from clinical trials are critical in advancing medical knowledge and developing improved treatments.• We believe that the International Committee of Medical Journal Editors (ICMJE) clinical trial data sharing policy is currently inadequate.• Although data sharing plans help increase transparency, they do not ensure that data are shared, and they are often inadequately implemented.• We believe that the ICMJE should adapt a stronger policy on data sharing that is enforced rigorously in all ICMJE members and affiliated journals.• The policy should include a strong evaluation component to ensure that all clinical trial data are shared, their value maximized, and data producers incentivized.
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 | 0,790 | 0,913 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,008 |
| Méta-épidémiologie (sens large) | 0,010 | 0,012 |
| Bibliométrie | 0,016 | 0,031 |
| Études des sciences et des technologies | 0,007 | 0,014 |
| Communication savante | 0,038 | 0,047 |
| Science ouverte | 0,017 | 0,023 |
| Intégrité de la recherche | 0,028 | 0,028 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,071 | 0,050 |
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 ».