Precision Oncology in Canada: Converting Vision to Reality with Lessons from International Programs
Notice bibliographique
Résumé
Canada's healthcare system, like others worldwide, is immersed in a process of evolution, attempting to adapt conventional frameworks of health technology assessment (HTA) and funding models to a new landscape of precision medicine in oncology. In particular, the need for real-world evidence in Canada is not matched by the necessary infrastructure and technologies required to integrate genomic and clinical data. Since healthcare systems in many developed nations face similar challenges, we adopted a solutions-based approach and conducted a search of worldwide programs in personalized medicine, with an emphasis on precision oncology. This search strategy included review articles published between 1 January 2016 and 1 March 2021 and hand-searches of their reference lists for relevant publications back to 1 December 2005. Thirty-nine initiatives across 37 countries in Europe, Australasia, Africa, and the Americas had the potential to lead to real-world data (RWD) on the clinical utility of oncology biomarkers. We highlight four initiatives with helpful lessons for Canada: Genomic Medicine France 2025, UNICANCER, the German Medical Informatics Initiative, and CANCER-ID. Among the 35 other programs evaluated, the main themes included the need for collaboration and systems to support data harmonization across multiple jurisdictions. In order to generate RWD in precision oncology that will prove acceptable to HTA bodies, Canada must take a national approach to biomarker strategy and unite all stakeholders at the highest level to overcome jurisdictional and technological barriers.
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 | 0,050 | 0,130 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,011 | 0,025 |
| Études des sciences et des technologies | 0,006 | 0,010 |
| Communication savante | 0,017 | 0,009 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».