Patient data for commercial companies? An ethical framework for sharing patients’ data with for-profit companies for research
Notice bibliographique
Résumé
BACKGROUND: Research using data from medical care promises to advance medical science and improve healthcare. Academia is not the only sector that expects such research to be of great benefit. The research-based health industry is also interested in so-called 'real-world' health data to develop new drugs, medical technologies or data-based health applications. While access to medical data is handled very differently in different countries, and some empirical data suggest people are uncomfortable with the idea of companies accessing health information, this paper aims to advance the ethical debate about secondary use of medical data generated in the public healthcare sector by for-profit companies for medical research (ReuseForPro). METHODS: We first clarify some basic concepts and our ethical-normative approach, then discuss and ethically evaluate potential claims and interests of relevant stakeholders: patients as data subjects in the public healthcare system, for-profit companies, the public, and physicians and their healthcare institutions. Finally, we address the tensions between legitimate claims of different stakeholders in order to suggest conditions that might ensure ethically sound ReuseForPro. RESULTS: We conclude that there are good reasons to grant for-profit companies access to medical data if they meet certain conditions: among others they need to respect patients' informational rights and their actions need to be compatible with the public's interest in health benefit from ReuseForPro.
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 | 0,291 | 0,276 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,014 | 0,070 |
| Communication savante | 0,027 | 0,027 |
| Science ouverte | 0,005 | 0,017 |
| Intégrité de la recherche | 0,030 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».