Creating clinically relevant knowledge from systematic reviews: the challenges of knowledge translation
Notice bibliographique
Résumé
RATIONALE AND OBJECTIVE: A research translation strategy for chronic pain was developed that has significant potential to advance the usefulness of systematic reviews (SRs) in clinical practice. METHOD: The strategy used interactive case-based workshops that summarize current evidence on treatments for chronic non-cancer pain. Health technology assessment researchers and clinicians collaborated to translate SR evidence into education aids, but this proved far from straightforward. RESULTS: Sourcing and selecting the SR evidence required maintaining a credible balance between the diametrical concepts of comprehensiveness and efficiency, and relevance and validity. On examination of the collated evidence base, further challenges were encountered in dealing with the lack of consistency among the SRs in the quality of execution, the scales used to rate the quality of the evidence, and the conclusions on common topic areas. Strategies for overcoming these difficulties are discussed. CONCLUSIONS: The key elements for creating clinically relevant knowledge from SRs are: a flexible, consistent and transparent methodology; credible research; involvement of renowned content experts to translate the evidence into clinically meaningful guidance; and an open, trusting relationship among all contributors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,732 | 0,895 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,005 |
| Méta-épidémiologie (sens large) | 0,008 | 0,005 |
| Bibliométrie | 0,022 | 0,015 |
| Études des sciences et des technologies | 0,005 | 0,020 |
| Communication savante | 0,024 | 0,025 |
| Science ouverte | 0,009 | 0,018 |
| Intégrité de la recherche | 0,014 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».