023 Feasibility and Efficiency of Strategies For Updating Clinical Practice Guidelines
Notice bibliographique
Résumé
Background Exhaustive search strategies (ESS) for updating clinical practice guidelines (CPGs) recommendations are laborious and expensive. Highly sensitive and specific alternative search strategies are necessary to improve the efficiency in recommendations updating. Objectives To compare alternative search strategies against ESS Methods We ran three different search strategies in a convenience sample of four CPGs from the CPGs National Programme in Spain: 1) Original ESS (gold standard); 2) Search strategy in the McMaster Premium LiteratUre Service (PLUS) database; and 3) Restrictive strategy with the least number of MeSH terms and text words from the original ESS. We retrieved the key references (which triggered an update) from the original ESS and evaluated their presence in the PLUS and restrictive strategies results. We calculated the sensitivity, specificity, precision, and accuracy for the PLUS and restrictive strategies compared to the ESS. Results The overall number of references in the PLUS strategy was lower than in the ESS (39,133 versus 2,635). The PLUS strategy retrieved a range of 1.12% to 12.1% of the total number of references retrieved by the ESS per guideline. Discussion Our project assessed two novel restrictive search strategies for the updating of CPGs, which could reduce the workload while displaying similar results. Full final findings of this project will be presented at the GIN meeting. Implications for Guideline Developers/Users Our project has important implications for updating CPGs, informing on the feasibility and efficiency of two novel search strategies.
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 | 0,250 | 0,645 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».