論文の概要: PDA in Action: Ten Principles for High-Quality Multi-Site Clinical Evidence Generation

• arxiv url: http://arxiv.org/abs/2601.06072v1
• Date: Mon, 29 Dec 2025 12:08:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.622798
• Title: PDA in Action: Ten Principles for High-Quality Multi-Site Clinical Evidence Generation
• Title（参考訳）: PDA in Action: 高品質多段階臨床エビデンス生成の10原則
• Abstract要約: 本稿は,PDAを用いた高品質なマルチサイト研究を行うためのベストプラクティスの10の原則を確立することを目的とする。 これらの原則は、研究準備、プロトコル開発、分析、最終報告を含む研究のすべての段階をカバーする。
• 参考スコア（独自算出の注目度）: 18.895325555958408
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Distributed Research Networks (DRNs) offer significant opportunities for collaborative multi-site research and have significantly advanced healthcare research based on clinical observational data. However, generating high-quality real-world evidence using fit-for-use data from multi-site studies faces important challenges, including biases associated with various types of heterogeneity within and across sites and data sharing difficulties. Over the last ten years, Privacy-Preserving Distributed Algorithms (PDA) have been developed and utilized in numerous national and international real-world studies spanning diverse domains, from comparative effectiveness research, target trial emulation, to healthcare delivery, policy evaluation, and system performance assessment. Despite these advances, there remains a lack of comprehensive and clear guiding principles for generating high-quality real-world evidence through collaborative studies leveraging the methods under PDA. Objective: The paper aims to establish ten principles of best practice for conducting high-quality multi-site studies using PDA. These principles cover all phases of research, including study preparation, protocol development, analysis, and final reporting. Discussion: The ten principles for conducting a PDA study outline a principled, efficient, and transparent framework for employing distributed learning algorithms within DRNs to generate reliable and reproducible real-world evidence.
• Abstract（参考訳）: 背景:分散研究ネットワーク(DRN)は,多地点共同研究において重要な機会を提供し,臨床観察データに基づく医療研究を著しく進歩させている。 しかし、マルチサイト研究から使用目的データを用いて高品質な実世界の証拠を生成することは、サイト内外の様々な異質性に関連するバイアスやデータ共有の難しさなど、重要な課題に直面している。 過去10年間で、プライバシ保存分散アルゴリズム(PDA)は、比較有効性調査、臨床試験のエミュレーション、医療提供、政策評価、システムパフォーマンス評価など、さまざまな領域にわたる国内および国際的実世界の多くの研究で開発され、利用されている。 これらの進歩にもかかわらず、PDAの手法を活用する共同研究を通じて、高品質な現実世界の証拠を生成するための包括的で明確な指針の原則が欠如している。 目的:本論文は,PDAを用いた高品質なマルチサイト研究を行うためのベストプラクティスの10の原則を確立することを目的としている。 これらの原則は、研究準備、プロトコル開発、分析、最終報告を含む研究のすべての段階をカバーする。 議論: PDA研究を行うための10の原則は、DRN内で分散学習アルゴリズムを使用して信頼性と再現可能な実世界の証拠を生成するための、原則的で効率的で透明なフレームワークを概説する。

関連論文リスト

• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• A Methodological and Structural Review of Parkinsons Disease Detection Across Diverse Data Modalities [0.6827423171182153]
  日本タイムズとパーキンソン財団の報道によると、全世界で1000人あたり1～1.8人が診断された。 本研究では,多種多様なデータモダリティを対象としたPD認識システムについて概説する。 本稿では,主要な科学データベースからの347以上の論文に基づいて,データ収集手法,設定,特徴表現,システム性能などの重要な側面について考察する。
  論文  参考訳（メタデータ） (2025-05-01T13:47:45Z)
• Launching Insights: A Pilot Study on Leveraging Real-World Observational Data from the Mayo Clinic Platform to Advance Clinical Research [15.04629464273677]
  マヨクリニックプラットフォーム(MCP)は、臨床研究とAI開発をサポートするスケーラブルなエコシステムを提供することによって、課題に対処するために設立された。 我々は,MPPのデータ基盤と分析能力を活用する4つの研究プロジェクトを実施し,実世界のエビデンス生成とAIによる臨床洞察を促進する可能性を実証した。
  論文  参考訳（メタデータ） (2025-03-21T16:06:21Z)
• Systematic Literature Review on Clinical Trial Eligibility Matching [0.24554686192257422]
  レビューでは、説明可能なAIと標準化されたオントロジーがクリニックの信頼を高め、採用を広げる方法が強調されている。 臨床治験採用におけるNLPの変革的ポテンシャルを十分に実現するためには、高度な意味的および時間的表現、拡張されたデータ統合、厳密な予測的評価のさらなる研究が必要である。
  論文  参考訳（メタデータ） (2025-03-02T11:45:50Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
  この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。 臨床文献のコーパスを12種類に分類した。 私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
  論文  参考訳（メタデータ） (2023-03-23T17:17:46Z)
• Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
  医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。 最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。 ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
  論文  参考訳（メタデータ） (2022-06-20T23:49:38Z)
• Challenges in biomarker discovery and biorepository for Gulf-war-disease studies: a novel data platform solution [48.7576911714538]
  ROSALINDという新しいデータプラットフォームを導入し、課題を克服し、健全で重要なコラボレーションを育み、科学的調査を進めます。 ROSALINDは、自己管理されたアクセシビリティ、リンク性、可積分性、中立性、信頼性を持つリソース有機体を指します。 過去12ヶ月のGWI研究におけるROSALINDの展開により、データ実験と分析のペースが加速し、多数のエラーソースが削除され、研究品質と生産性が向上しました。
  論文  参考訳（メタデータ） (2021-02-04T20:38:30Z)
• Heterogeneous Network Representation Learning: A Unified Framework with Survey and Benchmark [57.10850350508929]
  我々は、異種ネットワーク埋め込み(HNE)に関する既存の研究を要約し、評価するための統一的なフレームワークを提供することを目指している。 最初のコントリビューションとして、既存のHNEアルゴリズムのメリットを体系的に分類し分析するための一般的なパラダイムを提供する。 第2のコントリビューションとして、さまざまなソースから、スケール、構造、属性/ラベルの可用性などに関するさまざまな特性を備えた4つのベンチマークデータセットを作成します。 第3のコントリビューションとして、13の人気のあるHNEアルゴリズムに対するフレンドリなインターフェースを作成し、複数のタスクと実験的な設定に対して、それらの全周比較を提供する。
  論文  参考訳（メタデータ） (2020-04-01T03:42:11Z)

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。