Enabling FAIR data stewardship in complex international multi-site studies: Data Operations for the Accelerating Medicines Partnership® Schizophrenia Program
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Modern research management, particularly for publicly funded studies, assumes a data governance model in which grantees are considered stewards rather than owners of important data sets. Thus, there is an expectation that collected data are shared as widely as possible with the general research community. This presents problems in complex studies that involve sensitive health information. The latter requires balancing participant privacy with the needs of the research community. Here, we report on the data operation ecosystem crafted for the Accelerating Medicines Partnership® Schizophrenia project, an international observational study of young individuals at clinical high risk for developing a psychotic disorder. We review data capture systems, data dictionaries, organization principles, data flow, security, quality control protocols, data visualization, monitoring, and dissemination through the NIMH Data Archive platform. We focus on the interconnectedness of these steps, where our goal is to design a seamless data flow and an alignment with the FAIR (Findability, Accessibility, Interoperability, and Reusability) principles while balancing local regulatory and ethical considerations. This process-oriented approach leverages automated pipelines for data flow to enhance data quality, speed, and collaboration, underscoring the project's contribution to advancing research practices involving multisite studies of sensitive mental health conditions. An important feature is the data's close-to-real-time quality assessment (QA) and quality control (QC). The focus on close-to-real-time QA/QC makes it possible for a subject to redo a testing session, as well as facilitate course corrections to prevent repeating errors in future data acquisition. Watch Dr. Sylvain Bouix discuss his work and this article: https://vimeo.com/1025555648 .
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.
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 | 0,014 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,010 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle