Evidence for Health III: Making evidence-informed decisions that integrate values and context
Notice bibliographique
Résumé
Making evidence-informed decisions with the aim of improving the health of individuals or populations can be facilitated by using a systematic approach. While a number of algorithms already exist, and while there is no single 'right' way of summarizing or ordering the various elements that should be involved in making such health-related decisions, an algorithm is presented here that lays out many of the key issues that should be considered, and which adds a special emphasis on balancing the values of individual patients and entire populations, as well as the importance of incorporating contextual considerations. Indeed many different types of evidence and value judgements are needed during the decision-making process to answer a wide range of questions, including (1) What is the priority health problem? (2) What causes this health problem? (3) What are the different strategies or interventions that can be used to address this health problem? (4) Which of these options, as compared to the status quo, has an added benefit that outweighs the harms? (5) Which options would be acceptable to the individuals or populations involved? (6) What are the costs and opportunity costs? (7) Would these options be feasible and sustainable in this specific context? (8) What are the ethical, legal and social implications of choosing one option over another? (9) What do different stakeholders stand to gain or lose from each option? and (10) Taking into account the multiple perspectives and considerations involved, which option is most likely to improve health while minimizing harms? This third and final article in the 'Evidence for Health' series will go through each of the steps in the algorithm in greater detail to promote more evidence-informed decisions that aim to improve health and reduce inequities.
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 | 0,048 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 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 ».