Users' Guides to the Medical Literature
Notice bibliographique
Résumé
Clinicians rely on knowledge about the clinical manifestations of disease to make clinical diagnoses. Before using research on the frequency of clinical features found in patients with a disease, clinicians should appraise the evidence for its validity, results, and applicability. For validity, 4 issues are important-how the diagnoses were verified, how the study sample relates to all patients with the disease, how the clinical findings were sought, and how the clinical findings were characterized. Ideally, investigators will verify the presence of disease in study patients using credible criteria that are independent of the clinical manifestations under study. Also, ideally the study patients will represent the full spectrum of the disease, undergo a thorough and consistent search for clinical findings, and these findings will be well characterized in nature and timing. The main results of these studies are expressed as the number and percentages of patients with each manifestation. Confidence intervals can describe the precision of these frequencies. Most clinical findings occur with only intermediate frequency, and since these frequencies are equivalent to diagnostic sensitivities, this means that the absence of a single finding is rarely powerful enough to exclude the disease. Before acting on the evidence, clinicians should consider whether it applies to their own patients and whether it has been superseded by new developments. Detailed knowledge of the clinical manifestations of disease should increase clinicians' ability to raise diagnostic hypotheses, select differential diagnoses, and verify final diagnoses. JAMA. 2000;284:869-875
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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; les deux têtes enseignantes 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 ».