The Accuracy of Self-report in Rheumatic Diseases
Notice bibliographique
Résumé
Determining knowledge of accurate population prevalence of rheumatic diseases is important in assessing the burden of the illness in the community and provides a basis for healthcare provision, policy, and workforce planning. The use of self-report is an integral part of determining the population prevalence of many chronic and non-registry–based diseases. Indeed, this is often the only way to obtain prevalence information for these conditions because definitive diagnostic tests may not exist or may be impractical to administer across a large number of people. Both prevalent and incident disease can be determined in this manner; however, there is evidence of a difference in the sensitivity of self-reporting prevalent and incident disease, and differences according to the disease examined. Oksanen, et al 1 determined that the identification of true negatives was equally high for both prevalent and incident disease when compared with national registry data, but the sensitivity of incident ranged from 55% to 63% compared with prevalent disease (78%–96%) for hypertension, diabetes, asthma, coronary heart disease, and rheumatoid arthritis (RA). Both prevalent and incident self-reported diabetes have also been shown over time by Schneider, et al 2 to have 84%–97% specificity and 55%–80% sensitivity when compared with reference definitions (glucose and medication criteria). The prevalence and incidence of inflammatory rheumatic conditions, in particular, is also often only measured using self-reported information, and because of the heterogeneity of diseases within this group, the information may or may not be supplemented and validated by medication data or other relevant clinical tests. A combination of self-report and other forms of … Address correspondence to Dr. C.L. Hill, The Queen Elizabeth Hospital, Rheumatology, 28 Woodville Road, Woodville, South Australia 5011, Australia. E-mail: Catherine.Hill{at}sa.gov.au
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 | 0,040 | 0,201 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; 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 ».