論文の概要: Code Sharing in Healthcare Research: A Practical Guide and Recommendations for Good Practice

• arxiv url: http://arxiv.org/abs/2510.19279v1
• Date: Wed, 22 Oct 2025 06:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.153873
• Title: Code Sharing in Healthcare Research: A Practical Guide and Recommendations for Good Practice
• Title（参考訳）: 医療研究におけるコード共有 : 実践指針と推奨事項
• Authors: Lukas Hughes-Noehrer, Matthew J Parkes, Andrew Stewart, Anthony J Wilson, Gary S Collins, Richard D Riley, Maya Mathur, Matthew P Fox, Nazrul Islam, Paul N Zivich, Timothy J Feeney,
• Abstract要約: このガイドは、医療研究におけるコード共有のための実行可能なレコメンデーションの概要である。 FAIR(Findable, Accessible, Interoperable, Reusable)の原則を強調し、著者らは共通の障壁に対処する。 これは、より優れた科学と、より信頼性の高い計算駆動の実践の証拠をサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As computational analysis becomes increasingly more complex in health research, transparent sharing of analytical code is vital for reproducibility and trust. This practical guide, aligned to open science practices, outlines actionable recommendations for code sharing in healthcare research. Emphasising the FAIR (Findable, Accessible, Interoperable, Reusable) principles, the authors address common barriers and provide clear guidance to help make code more robust, reusable, and scrutinised as part of the scientific record. This supports better science and more reliable evidence for computationally-driven practice and helps to adhere to new standards and guidelines of codesharing mandated by publishers and funding bodies.
• Abstract（参考訳）: 健康研究において計算分析がますます複雑になるにつれて、分析コードの透過的な共有は再現性と信頼のために不可欠である。 この実践的なガイドは、オープンサイエンスのプラクティスに沿ったもので、医療研究におけるコード共有のための実行可能な推奨事項を概説している。 著者らはFAIR(Findable, Accessible, Interoperable, Reusable)の原則を強調し、共通の障壁に対処し、コードをより堅牢で再利用可能なものにし、科学的記録の一部として精査するための明確なガイダンスを提供する。 これは、より科学的で、より信頼性の高い、計算駆動のプラクティスの証拠をサポートし、出版社や資金提供団体が管理するコード共有の新しい標準とガイドラインの遵守を支援する。

関連論文リスト

• The Anatomy of Evidence: An Investigation Into Explainable ICD Coding [0.0]
  我々はMDACEデータセットの詳細な分析を行い、現在の説明可能な医用符号化システムの妥当性評価を行う。 以上の結果から, 根拠的真理証拠はコード記述とある程度一致していることが判明した。 最先端のアプローチに関する調査は、基礎的な真理の証拠と高い重なり合いを示している。
  論文  参考訳（メタデータ） (2025-07-02T15:21:29Z)
• Aligning AI Research with the Needs of Clinical Coding Workflows: Eight Recommendations Based on US Data Analysis and Critical Review [14.381199039813675]
  本研究の目的は,AIコーディング研究と臨床コーディングの実践的課題をより緊密に連携させることである。 分析の結果,8つの推奨事項が提示され,現在の評価方法を改善する方法が提案されている。
  論文  参考訳（メタデータ） (2024-12-23T23:39:05Z)
• CodeRefine: A Pipeline for Enhancing LLM-Generated Code Implementations of Research Papers [0.0]
  CodeRefineは、研究論文の方法論を大規模言語モデルを用いて機能コードに変換するためのフレームワークである。 我々の多段階アプローチはまず、論文からキーテキストチャンクを抽出して要約し、それらのコード関連性を分析し、知識グラフを作成する。 その後、この構造化表現からコードが生成され、提案されたリフレクション検索拡張生成アプローチによって拡張される。
  論文  参考訳（メタデータ） (2024-08-23T20:51:04Z)
• CoRelation: Boosting Automatic ICD Coding Through Contextualized Code Relation Learning [56.782963838838036]
  我々は,ICDコード表現の学習を促進するために,文脈的かつ柔軟なフレームワークである新しい手法を提案する。 提案手法では,可能なすべてのコード関係をモデル化する際の臨床ノートのコンテキストを考慮した,依存型学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2024-02-24T03:25:28Z)
• Development of the ChatGPT, Generative Artificial Intelligence and Natural Large Language Models for Accountable Reporting and Use (CANGARU) Guidelines [0.33249867230903685]
  CANGARUは、学術におけるGAI/GPT/LLM技術の倫理的利用、開示、適切な報告に関する学際的グローバルコンセンサスを促進することを目的としている。 本プロトコルは, GAI/GPT/LLMアプリケーションについて, 学術研究における関連概念, 発見, 報告標準を理解し, その利用と開示に関するガイドラインを定式化するために, 進行中の体系的レビューから成り立っている。
  論文  参考訳（メタデータ） (2023-07-18T05:12:52Z)
• Can Current Explainability Help Provide References in Clinical Notes to Support Humans Annotate Medical Codes? [53.45585591262433]
  本稿では、注意スコアに基づくxRAC-ATTNと、モデルに依存しない知識蒸留に基づくxRAC-KDの2つのアプローチについて説明する。 我々は,xRAC-ATTNが強調した支持エビデンステキストが,xRAC-KDよりも高品質であるのに対して,xRAC-KDは本番環境において潜在的に有利であることを示した。
  論文  参考訳（メタデータ） (2022-10-28T04:06:07Z)
• Retrieval Augmentation for Commonsense Reasoning: A Unified Approach [64.63071051375289]
  検索強化コモンセンス推論(RACo)の統一的枠組みを提案する。 提案するRACoは,他の知識強化手法よりも優れる。
  論文  参考訳（メタデータ） (2022-10-23T23:49:08Z)
• Benchopt: Reproducible, efficient and collaborative optimization benchmarks [67.29240500171532]
  Benchoptは、機械学習で最適化ベンチマークを自動化、再生、公開するためのフレームワークである。 Benchoptは実験を実行、共有、拡張するための既製のツールを提供することで、コミュニティのベンチマークを簡単にする。
  論文  参考訳（メタデータ） (2022-06-27T16:19:24Z)
• A Transformer-based Approach for Source Code Summarization [86.08359401867577]
  コードトークン間のペア関係をモデル化することにより,要約のためのコード表現を学習する。 アプローチは単純であるにもかかわらず、最先端技術よりもかなりの差があることが示される。
  論文  参考訳（メタデータ） (2020-05-01T23:29:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。