Returning value to communities from the <i>All of Us</i> Research Program through innovative approaches for data use, analysis, dissemination, and research capacity building
Notice bibliographique
Résumé
In 2015, the White House and the National Institutes of Health announced the inception of the All of Us Research Program “to bring us closer to curing diseases like cancer and diabetes, and to give each of us access to the personalized information we need to keep ourselves and our families healthier.” Now approaching the first decade, the vision to enhance innovation in biomedical research remains strong with the goal of moving the United States into an era where medical treatment and other health interventions can be tailored to individuals. As of October 2024, there are over 842 000 participants who have consented to participate in the All of Us Research Program. The resulting data set, which is accessed through the All of Us Public Data Brower (aggregated data only) or Researcher Workbench reflects three novel aspects: (1) enriched enrollment for racial, ethnic, sexual, gender, and geographic minority populations to correct for past sampling bias in precision medicine studies, (2) inclusion of social determinants of health (SDoH), electronic health record (EHR), and genomic data, and (3) designed for use by scientists with a broad variety of backgrounds and different research (eg, research-intensive universities, community-based organizations) and educational settings (eg, Historically Black Colleges and Universities, high schools).
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 | 0,033 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes 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 ».