Developing methodology for the creation of clinical practice guidelines for rare diseases: A report from RARE-Bestpractices
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rare diseases are a global public health priority; they can cause significant morbidity and mortality, can gravely affect quality of life, and can confer a social and economic burden on families and communities. These conditions are, by their nature, encountered very infrequently by clinicians. Thus, clinical practice guidelines are potentially very helpful in supporting clinical decisions, health policy and resource allocation. The Grading of Recommendations Assessment, Development and Evaluation (GRADE) system is a structured and transparent approach to developing and presenting summaries of evidence, grading its quality, and then transparently interpreting the available evidence to make recommendations in health care. GRADE has been adopted widely. However, its use in creating guidelines for rare diseases – which are often plagued by a paucity of high quality evidence – has not yet been explored. RARE-Bestpractices is a project to create and populate a platform for sharing best practices for management of rare diseases. A major aim of this project is to ensure that European Union countries have the capacity to produce high quality clinical practice guidelines for rare diseases. On February 12, 2013 at the Istituto Superiore di Sanità, in Rome, Italy, the RARE-Bestpractices group held the first of a series of 2 workshops to discuss methodology for creating clinical practice guidelines, and explore issues specific to rare diseases. This paper summarizes key results of the first workshop, and explores how the current GRADE approach might (or might not) work for rare diseases. Avenues for future research are also identified.
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.
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 | 0,022 | 0,511 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle