The Numbers Needed to Treat for Neurological Disorders
Notice bibliographique
Résumé
BACKGROUND: Numerous therapeutic interventions have been developed in the neurosciences. Clinicians need summary measures about efficacy of therapies that derive from the best available evidence, and that can be readily extrapolated to clinical practice. The number needed to treat (NNT) is intuitive and clinically applicable. We provide clinicians with a single source that summarizes important therapies in the main neurological and neurosurgical areas. METHODS: Critically appraised evidence about therapies in the neurosciences was obtained from meta-analyses in all neurosciences groups in the Cochrane library, and from critically appraised topics at the University of Western Ontario. Therapies were included if they were deemed relevant and if outcomes were dichotomous. For each therapy, we obtained absolute risk differences and their 95% confidence intervals (CI), the corresponding NNTs, control and experimental event rates, and the time-frame of the outcome assessment. RESULTS: We assembled a table of NNTs for 87 interventions in ten disease categories, deriving from meta-analyses (70%) or randomized controlled trials (30%), and assessing surgical interventions (7%), procedures (9%) or pharmacological treatments (84%). The NNTs varied widely, ranging from 1 in the use of epidural blood patch for post-dural puncture headache to 4608 for meningococcal vaccination. Preventative interventions had substantially larger NNTs. Time-frames were inappropriately short for many chronic conditions. CONCLUSIONS: Large collections of NNTs provide useful, updateable summaries of therapeutic effects in the neurosciences, an increasingly interventional clinical field.
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 | 0,063 | 0,235 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,009 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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 ».