077 Development of an Evidence to Recommendation Table for Guideline Users
Notice bibliographique
Résumé
Background The DECIDE project aims to improve the dissemination of recommendations using GRADE. Clinical practice guidelines (CPGs) summary tables do not include all the relevant factors for moving from evidence to recommendations: quality of the evidence, balance of benefits and harms, values and preferences and cost. Objectives Development of an optimal presentation table to inform about the evidence to recommendation (EtR) process to healthcare professionals. Methods Iterative process including brainstorming and design, user testing with semi-structured interviews, and stakeholder consultation. We analysed the feedback to our initial prototype, defined barriers and facilitators, and generated alternative formats. Results The table was well rated overall by users. It was found useful to understand in more depth the rationale of the recommendation and of use for teaching sessions. Some users found it potentially useful for shared decision making while others did not find it useful at the point of care. Most frustrations came from misunderstanding some terms, the general purpose of the table or the GRADE system. Discussion This EtR table could be a useful tool for CPGs users and tabulates all the relevant information beneath the EtR process. We are preparing a second round of user testing and stakeholder consultation, and will present a new format at the conference. Implications for GL Developers and Users This table will provide users a concise summary of the factors influencing the EtR process. The efficiency of including an EtR table in real CPGs needs to be further evaluated.
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 | 0,128 | 0,420 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,013 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,053 | 0,027 |
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 ».