P008 What type of evidence do we need to develop guidelines for diagnostic imaging?
Notice bibliographique
Résumé
Background Diagnostic imaging (DI) is used several ways in patient management, and the evidence required for each of these roles is somewhat different. This presentation will focus on the evidence needed to develop guidelines for the use of DI in primary diagnosis. Context GRADE states that randomised control trials of patient outcomes are the highest level of evidence for assessing diagnostic tests but also that accuracy can be used as a proxy for outcomes. DI guidelines provide two basic types of information: whether DI is indicated in a particular clinical situation and what is the best DI modality to use. In choosing a modality the accuracy of different DI modalities is important. However, the question of whether DI is indicated in a given clinical situation is at least as important, and in determining this, accuracy is less important. Best Practice The type of evidence which is needed for this question relates to whether DI will affect the management of the patient. If the information that DI provides is not relevant to the management of the patient then DI is not indicated. If the pre-test probability of the diagnosis is very low or very high then DI is also not indicated. Lessons When developing guidelines for DI first consider whether the type of information DI can provide is important in patient management. If it is, clinical decision rules are important in assessing whether the pre-test probability justifies its use. Accuracy only becomes important in determining which imaging modality to recommend.
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 | 0,111 | 0,577 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,013 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,013 | 0,019 |
| Science ouverte | 0,010 | 0,006 |
| Intégrité de la recherche | 0,026 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,012 |
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 ».