055 Use of Non-Randomised Studies In The Guideline Process: The GRADE Approach
Notice bibliographique
Résumé
Background The GRADE approach to guideline development requires a review of the best available evidence which includes randomised controlled trials (RCTs) and non-randomised studies (NRS). Objectives Describe the use of NRS as a replacement, a sequence, or a complement for RCTs, in a World Health Organization guideline using the GRADE approach. Methods We searched the literature using no study type limits for the effect of screening and treatment of precancerous lesions on patient or population important outcomes and for baseline risks. We assessed quality of the evidence using GRADE. Results Depending on the outcomes, we found few to no RCTs. When there was low/very low overall quality evidence from RCTs, we used NRS studies with no independent control groups to compare proportions between groups and calculate a relative effect of treatment and this evidence replaced the RCT evidence with similar/higher quality evidence. We found no evidence in RCTs for long-term outcomes, such as spontaneous abortion. Therefore, we used data from NRS (cohort studies) for premature delivery (a surrogate) to provide sequential evidence. For evidence about baseline risk of precancerous lesions and other outcomes, we used NRS a complement to the RCT data. Discussion Data from NRS provided evidence in three ways. One key criterion to consider when grading this evidence is indirectness due to indirect comparisons, surrogate outcomes or varying population risks. Implications for Guideline Developers/Users Guideline developers can use GRADE and these methods when there is no evidence or low/very low quality evidence from RCTs.
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 | 0,450 | 0,768 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,005 |
| Méta-épidémiologie (sens large) | 0,017 | 0,025 |
| Bibliométrie | 0,039 | 0,028 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,019 | 0,010 |
| Science ouverte | 0,016 | 0,012 |
| Intégrité de la recherche | 0,015 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,005 |
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 ».