Éléments de données communs pour l'arthrogrypose multiple congénitale: Un cadre international
Bibliographic record
Abstract
Résumé Objectif Afin de faciliter les études multisites et la recherche clinique d'envergure internationale, cette étude a pour but d'identifier des éléments de données communs (EDCs) normalisés et fondés sur un consensus pour l'arthrogrypose multiple congénitale (AMC). Méthode Une étude à méthodes mixtes comprenant plusieurs groupes de discussion et trois séries d'enquêtes Delphi modifiées pour parvenir à un consensus ont été menées. Résultats Dans l'ensemble, 45 experts cliniques ainsi qu'adultes ayant une expérience vécue (dont 12 membres d'un consortium d'AMC) ont participé à cette étude à travers 11 pays en Amérique du Nord, Europe et Australie. Les EDCs comprennent 321 éléments de données et 19 mesures standardisées dans divers domaines, du développement du fœtus à l'âge adulte. Les éléments de données relatifs aux traits phénotypiques de l'AMC ont été cartographiés conformément à l'ontologie du phénotype humain (HPO). Une structure de gouvernance universelle, des protocoles de fonctionnement et des plans de développement durable ont été identifiés comme les principaux facilitateurs considérant que la capacité limitée de partage des données et la nécessité d'une infrastructure informatique fédérée étaient les principaux obstacles. Interprétation Une collecte de données systématiques sur l'AMC à l'aide d'EDCs permettra d'étudier sur les voies étiologiques, décrire le profil épidémiologique, et établir des corrélations génotype‐phénotype de manière standardisée. Les EDCs proposés faciliteront les collaborations internationales multidisciplinaires en améliorant à grande échelle les études multicentriques, les possibilités de partage des données, ainsi que le transfert et la diffusion des connaissances.
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 | 0.240 | 0.298 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.014 | 0.013 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.010 | 0.010 |
| Open science | 0.003 | 0.012 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".