064WS How to Use the GRADE ”Evidence-to-Recommendations Framework” to Develop Guideline Recommendations for Therapeutic Interventions
Notice bibliographique
Résumé
Background Moving from evidence to recommendations in guideline development requires balancing evidence quality with the benefits and harms of therapeutic interventions, patient preferences, and resource and cost considerations. The GRADE Working Group has developed an approach to integrate these factors into development of clinical practice recommendations that is currently further defined in the DECIDE (Developing and Evaluating Communication Strategies to Support Informed Decisions and Practice Based on Evidence) project. Objectives/Goal To train guideline developers and those working with guideline panels to facilitate the decision-making process for development of recommendations for therapeutic interventions using the GRADE “Evidence-to-Recommendations Framework.” Target Audience Guideline developers, especially those working with guideline panels to develop recommendations for clinical practice. Description of the Workshop and of the Methods used to Facilitate Interactions An overview of the GRADE “Evidence-to-Recommendations Framework” will be followed by facilitated small group work to develop guideline recommendations. Participants will work together in a simulated guideline panel, and be asked to develop guideline recommendations taking into consideration the quality of evidence from a GRADE evidence summary profile, the balance of benefits vs. harms of an intervention, patient preferences and resource implications. Facilitators will guide the small workgroups through the decision-making process using materials from recent examples of guidelines developed using the “Evidence-to-Recommendations Framework.”
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 | 0,009 | 0,096 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 ».