← Retour à la cohorte
Second international consensus report on gaps and opportunities for the clinical translation of precision diabetes medicine.
Deirdre K Tobias, Jordi Merino, Abrar Ahmad, Catherine Aiken, Jamie L. Benham, Dhanasekaran Bodhini, Amy L Clark, Kevin Colclough, Rosa Corcoy, Sara J. Cromer, Jamie L. Felton, Pieter Gillard, Véronique Gingras, Romy Gaillard, Eram Ali Haider, Jennifer M. Iklé, Laura M. Jacobsen, Anna R Kahkoska, Jarno L. T. Kettunen, Raymond J. Kreienkamp, Lee-Ling Lim, Jonna M. E. Männistö, Robert Massey, Niamh‐Maire Mclennan, Rachel Miller, J. Most, Rochelle N. Naylor, Bige Özkan, Kashyap Amratlal Patel, SCOTT J. PILLA, Katsiaryna Prystupa, Sridharan Raghavan, MARY R. ROONEY, Martin Schön, Zhila Semnani-Azad, Magdalena Sevilla-Gonzalez, Pernille Svalastoga, Wubet Worku Takele, Claudia Ha-Ting Tam, Amelia S. Wallace, Caroline C. Wang, Jessie J Wong, Jennifer M Yamamoto, Katherine Young, Chloé Amouyal, Mette K. Andersen, Maxine P. Bonham, Mingling Chen, Feifei Cheng, Tinashe Chikowore, Sian C. Chivers, Christoffer Clemmensen, Dana Dabelea, Adem Y. Dawed, Aaron J. Deutsch, Laura T. Dickens, Linda A. DiMeglio, Monika Dudenhöffer-Pfeifer, Carmella Evans-Molina, María Mercè Fernández-Balsells, Hugo Fitipaldi, Stephanie L. Fitzpatrick, Stephen E Gitelman, Jessica A. Grieger, Marta Guasch‐Ferré, Nahal Habibi, Torben F. Hansen, Chuiguo Huang, Heba M Ismail, Benjamin Hoag, Randi K. Johnson, Angus G. Jones, Robert W. Koivula, Aaron Leong, Gloria K. W. Leung, Ingrid M Libman, Kai Liu, S Alice Long, William L. Lowe, Robert W. Morton, Ayesha A. Motala, Suna Onengut-Gumuscu, James S Pankow, Maleesa Pathirana, Sofia Pazmiño, Dianna Perez, J Petrie, CAMILLE E. POWE, Alejandra Quinteros, Rashmi Jain, Debashree Lala Ray, Zeb Saeed, Sarah Kanbour, Sudipa Sarkar, Gabriela S. F. Monaco, Denise M Scholtens, Elizabeth Selvin, Wayne Huey-Herng Sheu, CATE SPEAKE, Andrea K Steck, Norbert Stefan, Julie Støy, Rachael Taylor, Sok Cin Tye, Gebresilasea Gendisha Ukke, Bart Van der Schueren, Camille Vatier, John M. Wentworth, Wesley Hannah, Sara L. White, Gechang Yu, Yingchai Zhang, Shao J. Zhou, Jacques Beltrand, Michel Polak, Ingvild Aukrust, Elisa De Franco, Kristin A. Maloney, Andrew McGovern, Janne Molnes, Mariam Nakabuye, Hugo Pomares-Millan, Cuilin Zhang, Sungyoung Auh, Russell de Souza, Chandra Gruber, Eskedar Getie Mekonnen, Emily Mixter, Diana Sherifali, Robert H. Eckel, John J Nolan, Louis H. Philipson, Rebecca J Brown, Liana K. Billings, Kristen Boyle, Tina Costacou, John M Dennis, Jose C Florez, Anna L. Gloyn, Maria F. Gomez, Peter A. Gottlieb, Siri Atma W. Greeley, Kurt Griffin, Andrew T Hattersley, IRL HIRSCH, Marie-France Hivert, Korey K Hood, Jami L. Josefson, Soo Heon Kwak, Lori M Laffel, Siew S Lim, Ruth JF Loos, Chantal Mathieu, Nestoras Mathioudakis, James B. Meigs, Shivani Misra, Viswanathan Mohan, Rinki Murphy, Richard Oram, Katharine R Owen, Susan E. Ozanne, Pearson ER, Wei Perng, Rodica Pop-Busui, Richard E Pratley, Maria J Redondo, Rebecca M. Reynolds, Robert K Semple, Jennifer L Sherr, Emily K. Sims, Arianne Sweeting, Kimberly K. Vesco, TINA VILSBØLL, Robert Wagner, Stephen S Rich
Notice bibliographique
RevueApollo (University of Cambridge) · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueMachine Learning in Healthcare
Établissements canadiensnon disponible
Organismes subventionnairesEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentNational Center for Advancing Translational SciencesNational Institute of Diabetes and Digestive and Kidney DiseasesNational Institute of General Medical SciencesWellcome TrustHong Kong GovernmentNational Heart, Lung, and Blood InstituteTrond Mohn stiftelseSun PharmaAmerican Heart AssociationNovo Nordisk FondenPfizerDiabetesforbundetEuropean Association for the Study of DiabetesAustralian GovernmentLunds UniversitetNorges ForskningsrådNational Health Research InstitutesNovo NordiskInnovation and Technology CommissionMinistero della SaluteAlbert-Ludwigs-Universität FreiburgMoonshot Research and Development ProgramCanadian Institutes of Health ResearchDiabetes UKNational Institute for Health and Care ResearchJohn Templeton FoundationBritish Heart FoundationBoettcher FoundationDiabetes Research ConnectionNational Institutes of HealthBigfoot BiomedicalDexcomAstraZenecaResearch EnglandInsulet CorporationEli Lilly and CompanyImmune Tolerance NetworkMannKind CorporationDoris Duke Charitable FoundationPediatric Endocrine SocietyKU LeuvenHamilton Health SciencesCenter for Duchenne Muscular Dystrophy, University of California, Los AngelesMedical Research CouncilLeona M. and Harry B. Helmsley Charitable TrustU.S. Department of Veterans AffairsDaiichi Sankyo EuropeYale UniversityNational Health and Medical Research CouncilNational Institute of Allergy and Infectious DiseasesSanofiAmerican Diabetes Association
Mots-clésPrecision medicineMEDLINECommon cause and special causePresentation (obstetrics)Key (lock)Evidence-based medicineAlternative medicineSystematic review
Résumé
Aucun résumé dans les sources couvertes. Son absence est consignée, pas traitée comme un négatif.
Aucun résumé. Ce n'est pas une lacune de cette base de données : OpenAlex n'en a pas non plus. 23,3 % de la base est dans cet état, et le tri y repère MOITIÉ moins de métarecherche ; l'absence est donc un biais mesuré, et non un champ manquant.
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.
score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,779
Score d'incertitude au seuil0,222
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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.
Tête enseignante Opus0,119
Tête enseignante GPT0,338
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validation
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 tête enseignante, pas un consensus.
Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».
En bref
Citations0
Publié2023
Routes d'admission1
Résumé présentnon