Classification criteria in rheumatic diseases: A review of methodologic properties
Notice bibliographique
Résumé
OBJECTIVE: To identify classification criteria for the rheumatic diseases and to evaluate their measurement properties and methodologic rigor using current measurement standards. METHODS: We performed a systematic review of published literature and evaluated criteria sets for stated purpose, derivation and validation sample characteristics, methods of criteria generation and reduction, and consideration of validity, and reliability. RESULTS: We identified 47 classification criteria sets encompassing 13 conditions. Approximately 50% of the criteria sets were developed based on expert opinion rather than patient data. Of the 47 criteria sets, control samples were derived from patients with rheumatic disease in 15 (32%) sets, from patients with nonrheumatic diseases in 4 (9%) sets, and from healthy participants in 2 (4%) sets. Where patient data were used, the number of cases ranged from 20-588 and the number of controls from 50-787. In only 1 (2%) criteria set was there a distinct separation between investigators who derived the criteria set and clinicians who provided cases and controls. Authors commented on the need for individual criterion to be reliable in 5 (11%) sets, precise in 5 (11%) sets; authors noted the importance of content validity in 12 (26%) sets, and construct validity in 12 (26%) sets. CONCLUSION: The variation in methodologic rigor used in sample selection affects the validity and reliability of the criteria sets in different clinical and research settings. Despite potential deficiencies in the methods used for some criteria development, the sensitivity and specificity of many criteria sets is moderate to strong.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 tête enseignante, 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 ».