Developing a Health Data Analytic Service to Serve the Private Sector for Public Benefit
Notice bibliographique
Résumé
ObjectivesOur Organization, a pan-Canadian network that facilitates publicly-funded multi-regional health research, is developing a process to undertake multi-jurisdictional data analytic services with private sector entities. We describe experiences and approaches to working with the private sector across Organization member sites, and concerns raised by our Public Advisory Committee. MethodsWe administered a survey with categorical and open-ended questions about work with the private sector including project volume, timelines, and differences from publicly-funded projects in terms of review and approval, fee structure, limitations on data access, and additional safeguards. It was distributed to 10 provincial and two pan-Canadian member sites holding linked health administrative data. Findings were organized using the Five Safes framework, a tool for evaluating access to privacy-sensitive data across five dimensions, and were presented at a quarterly PAC meeting to the group of ~15 members from diverse backgrounds. Key discussion and questions points were recorded. ResultsAmong 12 sites surveyed, 10 worked with the private sector in some capacity and 2 planned to in future. Common themes identified, though with variation across sites, included: safe data - some datasets are restricted from private sector use; safe projects - require public benefit and exclude market research, require research ethics board approval, monitor projects to ensure public benefit through milestone reporting; safe people and settings - no access to individual level data, require use of the site’s analytic services; safe outputs - require project summary/results be made public and shared with decision-makers, exclusion of site staff from authorship on publications. Other safeguards included dedicated access pathways to ensure publicly-funded work is not displaced. Most sites had higher project fees for the private sector. ConclusionGiven growing private sector demand for pan-Canadian, population-level, data analytic services to demonstrate product value and support adoption decisions, it is essential to set policies and practices that ensure public benefit. These results are supporting the launch of a pilot multi-site use case with a private sector organization.
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 | 0,094 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,013 | 0,004 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,006 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,008 |
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 ».