MétaCan
Menu
Retour à la cohorte
Enregistrement W2904177823 · doi:10.1093/eurheartj/ehy565.p2742

P2742Does concordance last over years? From training exercise to practice in the SUCCOUR trial

2018· article· en· W2904177823 sur OpenAlexaff
Takashi Negishi, Paaladinesh Thavendiranathan, Jacob P. DeBlois, Martin Pěnička, Svend Aakhus, G Y Cho, Krasimira Hristová, Bogdan A. Popescu, Dragoş Vinereanu, S Miyazaki, K Kurosawa, Masaki Izumo, Kazuno Negishi, Thomas H. Marwick

Notice bibliographique

RevueEuropean Heart Journal · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDelphi Technique in Research
Établissements canadiensCentre hospitalier universitaire de QuébecUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineConcordancePhysical therapyPhysical medicine and rehabilitationInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background: Because global longitudinal strain (GLS) has shown greater sensitivity and lower variability than EF, the use of it is recommended in cardio-oncology guidelines. Previous work has documented that a quality control process improves inter-observer concordance of GLS, which exceeds that of EF. However, it is unknown whether the concordance persists subsequently. Purpose: To show the stability of training over time would be valuable in both research and practice Methods: To standardise GLS measurement, we administered a two-stage baseline calibration session with tailored feedback to 18 independent strain readers at 17 different sites in a multi-national randomised controlled trial. This study involved the consistency of GLS between the sites and core lab (CL) over 6 month follow-up (6MFU). Coefficient of variance (CV) was used to determine concordance. Results: 18 readers had completed the calibration and the CV of GLS at 1st and 2nd session were 4.5±3.1% and 3.9±2.9%. In the trial, 71 patients (54±13 years, 66 female) were enrolled. The time delay between training and initial analysis was 20±23 weeks. Baseline GLS of the overall group at CL and sites (-21.1±2.4% vs -20.3±1.9%, p=0.16) decreased at 6MFU (-19.8±2.5% vs -19.3±2.6%, p=0.85). The CV of GLS at baseline and 6MFU were 4.9±3.5% and 4.9±4.5% (p=0.96). In the whole period from 1st calibration to the 6MFU, the CV was stable and did not significantly change (p=0.19) (Figure). In contrast, the CV of EF at 1st session, baseline & 6MFU were 8.5±7.2, 4.7±3.3 & 6.1±5.0%, respectively and those tended to exceed that of GLS at each time-point (1st Cal: p<0.001, baseline: p=0.78, 6MFU: p=0.07, respectively).

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)0,019
score de la tête « metaresearch » (Gemma)0,046
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,100

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,046
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,189
Tête enseignante GPT0,483
Écart entre enseignants0,294 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Heart JournalMême sujetDelphi Technique in ResearchTravaux en français237 207