Mechanisms: what are they evidence for in evidence‐based medicine?
Notice bibliographique
Résumé
Even though the evidence-based medicine (EBM) movement labels mechanisms a low quality form of evidence, consideration of the mechanisms on which medicine relies, and the distinct roles that mechanisms might play in clinical practice, offers a number of insights into EBM itself. In this paper, I examine the connections between EBM and mechanisms from several angles. I diagnose what went wrong in two examples where mechanistic reasoning failed to generate accurate predictions for how a dysfunctional mechanism would respond to intervention. I then use these examples to explain why we should expect this kind of mechanistic reasoning to fail in systematic ways, by situating these failures in terms of evolved complexity of the causal system(s) in question. I argue that there is still a different role in which mechanisms continue to figure as evidence in EBM: namely, in guiding the application of population-level recommendations to individual patients. Thus, even though the evidence-based movement rejects one role in which mechanistic reasoning serves as evidence, there are other evidentiary roles for mechanistic reasoning. This renders plausible the claims of some critics of EBM who point to the ineliminable role of clinical experience. Clearly specifying the ways in which mechanisms and mechanistic reasoning can be involved in clinical practice frames the discussion about EBM and clinical experience in more fruitful terms.
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 | 0,184 | 0,301 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,006 | 0,004 |
| Bibliométrie | 0,012 | 0,005 |
| Études des sciences et des technologies | 0,006 | 0,070 |
| Communication savante | 0,026 | 0,079 |
| Science ouverte | 0,010 | 0,011 |
| Intégrité de la recherche | 0,026 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 ».