Providing valid evidence for decision-making: the Drug Safety and Effectiveness Network Methods and Applications Group in Indirect Comparisons (DSEN MAGIC)
Notice bibliographique
Résumé
In 2009, the Canadian Institutes of Health Research, Health Canada, and other stakeholders established the Drug Safety and Effectiveness Network (DSEN) to address the paucity of information on drug safety and effectiveness in real-world settings. This unique network invited knowledge users (e.g., policy makers) to submit queries to be answered by relevant research teams. The research teams were launched via open calls for team grants focused in relevant methodologic areas. We describe the development and implementation of one of these collaborating centres, the Methods and Application Group for Indirect Comparisons (MAGIC). MAGIC was created to provide high-quality knowledge synthesis including network meta-analysis to meet knowledge user needs. Since 2011, MAGIC responded to 54% of queries submitted to DSEN. In the past 5 years, MAGIC produced 26 reports and 49 publications. It led to 15 trainees who entered industry, academia, and government. More than 10 000 people participated in courses delivered by MAGIC team members. Most importantly, MAGIC knowledge syntheses influenced practice and policy (e.g., use of biosimilars for patients with diabetes and use of smallpox vaccinations in people with contraindications) provincially, nationally, and internationally.
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 | 0,018 | 0,003 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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; 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 ».