MétaCan
Menu
Retour à la cohorte
Enregistrement W2886358526 · doi:10.1097/prs.0000000000004891

Introducing Knowledge Translation to Plastic Surgery: Turning Evidence into Practice

2018· review· en· W2886358526 sur OpenAlexaff
Syena Moltaji, Ahmad H. Alkhatib, Henry Liu, Jessica Murphy, Lucas Gallo, Marta Karpinski, Sadek Mowakket, Achilleas Thoma

Notice bibliographique

RevuePlastic & Reconstructive Surgery · 2018
Typereview
Langueen
DomaineMedicine
ThématiqueClinical practice guidelines implementation
Établissements canadiensMcMaster UniversityImpact
Organismes subventionnairesnon disponible
Mots-clésKnowledge translationBest practiceBest evidenceClosing (real estate)Evidence-based practiceClinical PracticeEvidence-based medicineQuality (philosophy)MedicineKnowledge managementComputer scienceMedical educationNursingAlternative medicineBusinessManagementPathologyEpistemology

Résumé

récupéré en direct d'OpenAlex

Best evidence has no bearing on quality of life if it is not implemented in clinical practice. The authors introduce knowledge translation as a theoretical framework for closing the gap between evidence and practice in plastic surgery. The current state of published evidence in plastic surgery is reviewed and evaluated, with the recommendation to use the EQUATOR Network's guidelines for reporting clinical research findings. Tools and strategies are offered for the reader to understand and integrate evidence at the bedside. Systemic solutions are also proposed for the dissemination of best evidence to facilitate its translation into practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,117
score de la tête « metaresearch » (Gemma)0,314
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,117
Score d'incertitude au seuil0,621

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1170,314
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0040,005
Bibliométrie0,0110,008
Études des sciences et des technologies0,0030,014
Communication savante0,0160,029
Science ouverte0,0050,020
Intégrité de la recherche0,0170,018
Charge utile insuffisante (le modèle a refusé de juger)0,0090,003

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.

Tête enseignante Opus0,372
Tête enseignante GPT0,494
Écart entre enseignants0,122 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePlastic & Reconstructive SurgeryMême sujetClinical practice guidelines implementationTravaux en français237 207