Methodological gaps in the assessment of risk minimization interventions: a systematic review
Notice bibliographique
Résumé
INTRODUCTION: Since the introduction of therapeutic risk management regulatory guidance, an increase in the number of risk minimization interventions (RMIs) published in the literature has been observed. Methods used to evaluate their effectiveness remain, however, poorly examined. OBJECTIVE: This paper aimed to conduct a literature review on the methods of evaluation of effectiveness of RMIs and to identify methodological gaps. METHODS: The search was conducted using MEDLINE and Embase between 1 January 2000 and 31 December 2010, and updated on 1 April 2013. The following characteristics were extracted from each study: target population for the RMI, target population for the assessment of effectiveness, study design, data sources, and effectiveness outcome(s). RESULTS: A total of 188 unique RMIs were identified in the literature, of which effectiveness was evaluated in only 65 (34.6%) at the time of publication. The largest proportion of studies reviewed (n = 49, 75.4%) attempted to evaluate changes in behavior through prescribing or laboratory test practices. One quarter of studies evaluated the effect of RMIs on the occurrence of adverse events. Only a minority of studies used robust designs, such as randomized controlled trials (n = 6, 9.2%) or a quasi-experimental design with a parallel comparison group (n = 8, 12.3%). CONCLUSION: Lack of robust methodological design used in published studies on RMI effectiveness evaluation is an important methodological gap in the evaluation of RMI effectiveness. © 2014 The Authors. Pharmacoepidemiology and Drug Safety published by John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,038 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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.
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.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».