EUreccA 2025: A Multistakeholder Effort to Further Real-World Evidence in Healthcare Decision Making
Notice bibliographique
Résumé
The maturation of use of real-world evidence (RWE) in decision making requires substantiation and growth in several areas including data sources and catalogs, data quality, governance, analytic methods, reporting standards, transparency, replicability, and fit-for-purpose specifications.1-3 During the past few years, recent guidance documents from the US Food and Drug Administration, European Medicines Agency, and many other agencies and societies have begun to address these areas.4-6 Health technology assessment (HTA) agencies or coalitions such as the National Institute for Health and Care Excellence in the United Kingdom, European Network for Health Technology Assessment, Real-World Data in Asia for Health Technology Assessment in Reimbursement, and Canadian Agency for Drugs and Technologies in Health have also issued guidance.
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 | 0,286 | 0,323 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,014 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,023 | 0,016 |
| Science ouverte | 0,015 | 0,023 |
| Intégrité de la recherche | 0,034 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,026 |
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 ».