Modélisation du système de gestion de l'information lors des essais cliniques : Une approche par la dynamique des systèmes
Bibliographic record
Abstract
Cet article s'intéresse à l'évaluation de la performance des systèmes d'information gérant les essais cliniques. La complexité et les spécificités du secteur biopharmaceutique soulèvent en effet la problématique de gestion de l'information dans l'exécution de ce processus. Les objectifs principaux sont de mettre en évidence les impacts d'une automatisation du processus de traitement de données sur les projets de gestion de l'information lors des essais cliniques. Plus précisément, la performance des systèmes d'information est évaluée en termes de coût, qualité et délai. L'approche privilégiée est l'utilisation de la dynamique des systèmes, approche enrichie par l'utilisation de cadres théoriques complémentaires. Une étude de cas au sein d'une CRO a été réalisée, afin d'élaborer un modèle de simulation par la dynamique des systèmes. Ce modèle a par la suite permis d'effectuer une analyse comparative de différents systèmes d'information et entre autres, d'anticiper les conséquences de la variation des taux d'erreur lors de la transmission des données. Les résultats observés ont notamment mis en évidence qu'une automatisation performante du processus favorise l'exécution de multi-projets relatifs aux essais cliniques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".