Evidence-based guidelines, time-based health outcomes, and the Matthew effect
Notice bibliographique
Résumé
BACKGROUND: Cardiovascular risk management guidelines are 'risk based'; health economists' practice is 'time based'. The 'medical' risk-based allocation model maximises numbers of deaths prevented by targeting subjects at high risk, for example, elderly and smokers. The time-based model maximises numbers of life years gained by treating the young and non-smokers, or 'the one who has will be given more' (Matthew 25:29). We explored practical consequences of risk- or time-based allocation. METHODS: We used epidemiological modelling to generate semi-quantitative scenarios comparing the distributional effects of allocating a fixed number of prescriptions of a (hypothetical) preventive cardiovascular drug ('CVStop') either to avert the maximum number of deaths (risk-based) or to save the maximum number of life years (time based) in the male Dutch population. We subsequently asked 123 Dutch guideline developers which distribution they preferred. RESULTS: Time- and risk-based allocations resulted in different distributions of the drug across the population. There were also differences in absolute numbers of life years gained and deaths averted, and in the distribution of these across the population. For example, risk-based allocation of 'CVStop' resulted in preferential treatment of elderly, leading to more deaths averted (mostly among 70 and above) but fewer life years gained, if compared with time-based allocation. The guideline developers experienced the choice dilemmas as difficult. No priority choice was dominant among the respondents. CONCLUSION: In evidence-based resource allocation the choice to save time or to avert deaths may introduce moral choices because of the various origins of increased disease risk. Evidence-based guideline development inevitably has moral implications.
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 | 0,316 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes 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 ».