Multicenter research priorities in pediatric CMR: results of a collaborative wiki survey
Notice bibliographique
Résumé
Multicenter studies in pediatric cardiovascular magnetic resonance (CMR) improve statistical power and generalizability. However, a structured process for identifying important research topics has not been developed. We aimed to (1) develop a list of high priority knowledge gaps, and (2) pilot the use of a wiki survey to collect a large group of responses. Knowledge gaps were defined as areas that have been either unexplored or under-explored in the research literature. High priority goals were: (1) feasible and answerable from a multicenter research study, and (2) had potential for high impact on the field of pediatric CMR. Seed ideas were contributed by a working group and imported into a pairwise wiki survey format which allows for new ideas to be uploaded and voted upon ( https://allourideas.org ). Knowledge gaps were classified into 2 categories: 'Clinical CMR Practice' (16 ideas) and 'Disease Specific Research' (22 ideas). Over a 2-month period, 3,658 votes were cast by 96 users, and 2 new ideas were introduced. The 3 highest scoring sub-topics were myocardial disorders (9 ideas), translating new technology & techniques into clinical practice (7 ideas), and normal reference values (5 ideas). The highest priority gaps reflected strengths of CMR (e.g., myocardial tissue characterization; implementation of technologic advances into clinical practice), and deficiencies in pediatrics (e.g., data on normal reference values). The wiki survey format was effective and easy to implement, and could be used for future surveys.
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 | 0,077 | 0,216 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».