The CREATE Method for Expressing Continuous Outcome Data in Absolute Terms for Use in Patient Treatment Decision Aids
Notice bibliographique
Résumé
BACKGROUND: Patient decision aids (PtDAs) supplement advice from health care professionals by communicating the absolute risk or benefit of treatment options (i.e., X/100). As such, PtDAs have been amenable to binary outcomes only. We aimed to develop and test the validity of the Conversion to Risk Estimates through Application of Normal Theory (CREATE) method for estimating absolute risk based on continuous outcome data. METHODS: CREATE is designed to derive an estimate of the proportion of those who experience a clinically relevant degree of change (CRDoC). We used a 2-stage validation process using real and simulated change score data, respectively. First, using raw data from published intervention trials, we calculated the proportion of patients with a CRDoC and compared that with our CREATE-derived estimate using chi-square tests of association. Second, 200,000 simulated distributions of change scores were generated with widely varying distribution characteristics. Actual and CREATE-derived estimates were compared for each simulated distribution, and relative differences were summarized graphically. RESULTS: The absolute difference between the estimated and actual CRDoC did not exceed 5% for any of the samples based on real data. Applying the CREATE method to 200,000 simulated scenarios demonstrated that the CREATE method should be avoided for outcomes where the underlying distribution can be reasonably assumed to have high levels of skew or kurtosis. CONCLUSION: Our results suggest that standard statistical theory can be used to estimate continuous outcomes in absolute terms with reasonable accuracy for use in PtDAs; caution is advised if outcome summary statistics are assumed to have been derived from highly skewed distributions.
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 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».