From Hierarchy to Network: a richer view of evidence for evidence-based medicine
Notice bibliographique
Résumé
Evidence-based medicine (EBM) advocates the improvement of patient care through the use of current best research evidence in medical decision making. In practice, "best evidence" generally refers to where a study fits on a hierarchy of evidence, which places randomized controlled trials (RCTs) and other population-level research above laboratory research. Because population research is concerned primarily with average results obtained from large groups of people, ranking evidence on the basis of its place in the hierarchy is shortsighted and ultimately limits the ability of research results to inform the care of individual patients. The history and methodology of epidemiology reveals a close relationship between population-level and laboratory research; both types of research are necessary if we are to understand the causes of a disease. What EBM does not take into account in its hierarchy of evidence is that the same thing is true for research on the safety and efficacy of medical interventions. To maximize the information that clinical research can provide for clinical care, RCTs should be designed to elucidate within-group variability. This can only be done if the hierarchy of evidence is replaced by a network that takes into account the relationship between epidemiological and laboratory research.
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 | 0,028 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,017 | 0,011 |
| Études des sciences et des technologies | 0,005 | 0,029 |
| Communication savante | 0,017 | 0,033 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».