How to Design Electronic Case Report Form (eCRF) Questions to Maximize Semantic Interoperability in Clinical Research
Notice bibliographique
Résumé
Unlabelled: Case report forms (CRFs) are the instruments used by research organizations worldwide to collect information about patients and study participants with the purpose of answering specific questions, assessing the efficacy and safety of medical products, and in general improving prevention and treatment in health care. To obtain significant research results out of the collected data, CRFs should be designed following the recommendations issued by regulatory authorities. However, we believe that semantic interoperability in CRFs has not yet been properly addressed. Within an international consortium comprising several COVID-19 cohorts, we scrutinized the questions included in the different CRFs with the purpose of establishing semantic interoperability across the different study data elements so that data could be merged and jointly analyzed. We realized that similar concepts were structured very differently across the different CRFs, making it hard to find and match the information. Based on the experience acquired, we developed 5 guiding principles on how to design CRFs to support semantic interoperability and increase data quality while also facilitating the sharing of data. Our aim in this viewpoint is to provide general suggestions that, in our opinion, should support researchers in designing CRFs. We conclude by urging authorities to establish an international coordination board for standards and interoperable clinical study data with competence in clinical data, interoperability standards, and data protection as part of a preparedness plan for future pandemics or other health threats.
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 | 0,037 | 0,147 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».