A rare partnership: patient community and industry collaboration to shape the impact of real-world evidence on the rare disease ecosystem
Notice bibliographique
Résumé
People with rare lysosomal storage diseases face challenges in their care that arise from disease complexity and heterogeneity, compounded by many healthcare professionals being unfamiliar with these diseases. These challenges can result in long diagnostic journeys and inadequate care. Over 30 years ago, the Rare Disease Registries for Gaucher, Fabry, Mucopolysaccharidosis type I and Pompe diseases were established to address knowledge gaps in disease natural history, clinical manifestations of disease and treatment outcomes. Evidence generated from the real-world data collected in these registries supports multiple stakeholders, including patients, healthcare providers, drug developers, researchers and regulators. To maximise the impact of real-world evidence from these registries, engagement and collaboration with the patient communities is essential. To this end, the Rare Disease Registries Patient Council was established in 2019 as a partnership between the Rare Disease Registries and global and local patient advocacy groups to share perspectives on how registry data are used and disseminated. The Patient Council has resulted in a number of patient initiatives including patient representation at Rare Disease Registries advisory boards; development of plain language summaries of registry publications to increase availability of real-world evidence to patient communities; and implementation of digital innovations such as electronic patient-reported outcomes, and patient-facing registry reports and electronic consent (in development), all to enhance patient engagement. The Patient Council is building on the foundations of industry-patient advocacy group collaboration to fully integrate patient communities in decision-making and co-create solutions for the rare disease community.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».