MétaCan
Menu
Retour à la cohorte
Enregistrement W2029736131 · doi:10.1016/j.bbi.2012.01.014

Minimum data elements for research reports on CFS

2012· article· en· W2029736131 sur OpenAlexaff
Leonard A. Jason, Elizabeth R. Unger, Jordan D. Dimitrakoff, Adam P. Fagin, Michael Houghton, Dane B. Cook, Gailen D. Marshall, Nancy G. Klimas, Christopher R. Snell

Notice bibliographique

RevueBrain Behavior and Immunity · 2012
Typearticle
Langueen
DomaineMedicine
ThématiqueFibromyalgia and Chronic Fatigue Syndrome Research
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNational Institutes of Health
Mots-clésInterpretabilityConsistency (knowledge bases)Chronic fatigue syndromeMedicineData sciencePsychologyComputer sciencePhysical therapyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Chronic fatigue syndrome (CFS) is a debilitating condition that has received increasing attention from researchers in the past decade. However, it has become difficult to compare data collected in different laboratories due to the variability in basic information regarding descriptions of sampling methods, patient characteristics, and clinical assessments. The issue of variability in CFS research was recently highlighted at the NIH's 2011 State of the Knowledge of CFS meeting prompting researchers to consider the critical information that should be included in CFS research reports. To address this problem, we present our consensus on the minimum data elements that should be included in all CFS research reports, along with additional elements that are currently being evaluated in specific research studies that show promise as important patient descriptors for subgrouping of CFS. These recommendations are intended to improve the consistency of reported methods and the interpretability of reported results. Adherence to minimum standards and increased reporting consistency will allow for better comparisons among published CFS articles, provide guidance for future research and foster the generation of knowledge that can directly benefit the patient.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,469
Score d'incertitude au seuil0,446

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,268
Tête enseignante GPT0,477
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBrain Behavior and ImmunityMême sujetFibromyalgia and Chronic Fatigue Syndrome ResearchTravaux en français237 207