How do we know if a clinical practice guideline is good? A response to Djulbegovic and colleagues' use of fast‐and‐frugal decision trees to improve clinical care strategies
Notice bibliographique
Résumé
Clinical practice guidelines (CPGs) and clinical pathways have become important tools for improving the uptake of evidence-based care. Where CPGs are good, adherence to the recommendations within is thought to result in improved patient outcomes. However, the usefulness of such tools for improving patient important outcomes depends both on adherence to the guideline and whether or not the CPG in question is good. This begs the question of what it is that makes a CPG good? In this issue of the Journal, Djulbegovic and colleagues offer a theory to help guide the development of CPGs. The "fast-and-frugal tree" (FFT) heuristic theory is purported to provide the theoretical structure needed to quantitatively assess clinical guidelines in practice, something that the lack of theory to guide CPG development has precluded. In this paper, I examine the role of FFTs in providing an adequate theoretical framework for developing CPGs. In my view, positioning guideline development within the FFT framework may help with problems related to adherence. However, I believe that FTTs fall short in providing panel members with the theoretical basis needed to justify which factors should be considered when developing a CPG, how information on those factors derived from research studies should be interpreted, and how those factors should be integrated into the recommendation.
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 | 0,105 | 0,376 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,010 | 0,028 |
| Communication savante | 0,014 | 0,029 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,055 | 0,119 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».