A Delphi Exercise to Identify Characteristic Features of Gout — Opinions from Patients and Physicians, the First Stage in Developing New Classification Criteria
Notice bibliographique
Résumé
OBJECTIVE: To identify a comprehensive list of features that might discriminate between gout and other rheumatic musculoskeletal conditions, to be used subsequently for a case-control study to develop and test new classification criteria for gout. METHODS: Two Delphi exercises were conducted using Web-based questionnaires: one with physicians from several countries who had an interest in gout and one with patients from New Zealand who had gout. Physicians rated a list of potentially discriminating features that were identified by literature review and expert opinion, and patients rated a list of features that they generated themselves. Agreement was defined by the RAND/UCLA disagreement index. RESULTS: Forty-four experienced physicians and 9 patients responded to all iterations. For physicians, 71 items were identified by literature review and 15 more were suggested by physicians. The physician survey showed agreement for 26 discriminatory features and 15 as not discriminatory. The patients identified 46 features of gout, for which there was agreement on 25 items as being discriminatory and 7 items as not discriminatory. CONCLUSION: Patients and physicians agreed upon several key features of gout. Physicians emphasized objective findings, imaging, and patterns of symptoms, whereas patients emphasized severity, functional results, and idiographic perception of symptoms.
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 | 0,127 | 0,121 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».