258WS Evidence to recommendations frameworks: Diagnosis
Notice bibliographique
Résumé
Background Moving from evidence to recommendations (EtR) in guideline development requires balancing evidence quality with the benefits and harms of interventions, patient preferences, and resource and cost considerations. Developing recommendation about diagnostic tests and strategies is particularly challenging and requires tackling complex challenges, different than those needed for therapeutic interventions. The GRADE Working Group, has developed an approach to integrate these factors into development of clinical practice recommendations that is currently further defined in the DECIDE (Developing and Evaluating Communication Strategies to Support Informed Decisions and Practice Based on Evidence) project. This workshop will introduce this approach and evaluate the EtR framework based on examples and hands-on exercises. Objectives To learn how to use and evaluate the EtR framework for diagnostic questions. Target Group, Suggested Audience Guideline developers, systematic reviewers, clinicians. Description of the Workshop and of the Methods used to Facilitate Interactions This workshop provides a brief didactic overview of GRADE for diagnostic questions. Each group will use a systematic review and a partially pre-filled EtR framework. During the small group work, participants will discuss challenges and advantages of the approach. Participants will then apply these concepts in small groups to develop a recommendation based on the workshop material; there will be a plenary to provide feedback that will help to enhance the work and provide opportunities for collaboration.
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 | 0,224 | 0,623 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,005 |
| Méta-épidémiologie (sens large) | 0,008 | 0,012 |
| Bibliométrie | 0,034 | 0,019 |
| Études des sciences et des technologies | 0,004 | 0,010 |
| Communication savante | 0,022 | 0,018 |
| Science ouverte | 0,013 | 0,018 |
| Intégrité de la recherche | 0,024 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,008 |
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 ».