What are the costs, benefits, and harms of biomedical data reuse and of not reusing the data?
Notice bibliographique
Résumé
This presentation reports on a scoping review of how the costs, benefits, harms, and cost savings associated with the reuse and non-reuse of biomedical data and samples are measured across health systems, research contexts, and populations. We report on how these outcomes have been quantified for different data types, stakeholder groups, populations, and areas of biomedical research using bibliometric, qualitative, and simulation approaches. We discuss gaps in the measurement of benefits, harms, costs and cost savings. We discuss how these measures and the impact of biomedical data reuse depends on the stakeholder group, context, data type, and governance conditions. We situate the discussion within broader questions of trust, transparency, and value creation in health data ecosystems, referencing case studies from Europe and Canada as well as insights from initiatives such as e-Estonia. Using a systems thinking lens, we argue that provenance metadata, living metrics, and stakeholder-specific value indicators are essential to achieving responsible, equitable data reuse.
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 | 0,238 | 0,531 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,015 | 0,019 |
| Études des sciences et des technologies | 0,003 | 0,017 |
| Communication savante | 0,016 | 0,029 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».