Use of the Analytic Hierarchy Process for Medication Decision-Making in Type 2 Diabetes
Notice bibliographique
Résumé
AIM: To investigate the feasibility and utility of the Analytic Hierarchy Process (AHP) for medication decision-making in type 2 diabetes. METHODS: We conducted an AHP with nine diabetes experts using structured interviews to rank add-on therapies (to metformin) for type 2 diabetes. During the AHP, participants compared treatment alternatives relative to eight outcomes (hemoglobin A1c-lowering and seven potential harms) and the relative importance of the different outcomes. The AHP model and instrument were pre-tested and pilot-tested prior to use. Results were discussed and an evaluation of the AHP was conducted during a group session. We conducted the quantitative analysis using Expert Choice software with the ideal mode to determine the priority of treatment alternatives. RESULTS: Participants judged exenatide to be the best add-on therapy followed by sitagliptin, sulfonylureas, and then pioglitazone. Maximizing benefit was judged 21% more important than minimizing harm. Minimizing severe hypoglycemia was judged to be the most important harm to avoid. Exenatide was the best overall alternative if the importance of minimizing harms was prioritized completely over maximizing benefits. Participants reported that the AHP improved transparency, consistency, and an understanding of others' perspectives and agreed that the results reflected the views of the group. CONCLUSIONS: The AHP is feasible and useful to make decisions about diabetes medications. Future studies which incorporate stakeholder preferences should evaluate other decision contexts, objectives, and treatments.
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 | 0,119 | 0,228 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».