The Challenges of Measuring Adherence to Clinical Treatment Recommendations in Spondyloarthritis
Notice bibliographique
Résumé
Clinical treatment recommendations are intended to provide evidence-based guidance to healthcare practitioners about appropriate care for specific clinical situations, with the goal of using that guidance to improve patient care. Unfortunately, translating treatment recommendations from the library literature review to routine clinical care can present a significant challenge. Many groups may propose treatment recommendations for the same disorder, and in some cases these recommendations may be contradictory. Further, the number of treatment recommendations that emerge at a steady pace make it difficult for the clinician to keep up to date. In 2017 so far, the American College of Rheumatology has already published 2, and the European League Against Rheumatism has published 6 sets of treatment recommendations. Despite the frequency of recommendations, it is difficult to assess whether they are being applied routinely to clinical care. In this issue of The Journal , Harvard, et al 1 address this problem by evaluating a system to define adherence to anti-tumor necrosis factor (TNF) use recommendations in spondyloarthritis (SpA). Additionally, they evaluate how adherence to anti-TNF use recommendations in SpA affects economic and health outcomes, while controlling for adherence to other SpA recommendations. Harvard, et al ’s study included 469 patients who met the Assessment of Spondyloarthritis international Society (ASAS) criteria for SpA2 in … Address correspondence to Dr. S. Rohekar. E-mail: sherry.rohekar{at}sjhc.london.on.ca
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 | 0,402 | 0,699 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,008 | 0,015 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,006 |
| 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 ».