Real world data for rare diseases research: The beginner’s guide to registries
Notice bibliographique
Résumé
Introduction Rare disease research has specific challenges that can be addressed using registries.Areas covered There are at least three different types of registries: patient registries, disease registries, and product registries. Patient registries recruit rare disease patients, potentially including several rare diseases within a registry, while disease registries can be considered a subset of patient registries which focus on specific diseases. Product registries focus on specific drugs. These registries may be used to conduct research that is specifically requested by a regulatory authority, they may be developed by a drug company to monitor the use of a particular drug or may be developed for public health monitoring purposes.Expert Opinion Compared to other sources of real-world data (RWD), such as electronic medical records (EMRs) and claims data, registries are more likely to have a correct diagnosis and more specific information about RDs. However, registries also have their challenges. Competition between registries may lead to missing or incomplete data. Registries could also have limited information on drug and medical history, which are better captured in EMRs or claims. Nevertheless, registries remain an important source of RWD in the rare disease space and are increasingly being leveraged to comply with regulatory requirements.
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 | 0,123 | 0,329 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,013 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,014 | 0,022 |
| Science ouverte | 0,008 | 0,012 |
| Intégrité de la recherche | 0,011 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,048 | 0,053 |
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 ».