Levels in Decision Making and Techniques for Clinicians
Notice bibliographique
Résumé
In the last century, there has been tremendous advancements in medicine and surgery and this progress has resulted in an over expansion of the number of treatment options that are available to treat many conditions. The enlarging armamentarium available to modern physicians should be celebrated. However, this has come with a significant increase in the complexity of decisions that physicians have to make when they select a therapy among many that have comparable efficacy. For example, small hepatocellular carcinomas can be treated with liver transplantation, surgical resection or locoregional therapies, with similar overall survival but different disease free survival and morbidities. One of the primary goals of decision analysis is to help decision makers. In healthcare, this translates in more cost-effective treatments, higher patients’ satisfaction and overall better outcomes. Because judgments of uncertainty are a critical part of medical decision-making, decision analysis tends to improve the accuracy of these judgments by using specific algorithms and techniques. The main aim of this review is to make clinicians familiar with the different levels of decision analysis. In this paper, we will describe common techniques that are used to elicit patients’ preferences, the meaning of utilities and the benefit and limitations of decision analysis in health care.
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 | 0,068 | 0,120 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,017 |
| Communication savante | 0,018 | 0,016 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,004 |
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 ».