MétaCan
Menu
Retour à la cohorte
Enregistrement W2913327195 · doi:10.3899/jrheum.181096

OMERACT Filter 2.1: Elaboration of the Conceptual Framework for Outcome Measurement in Health Intervention Studies

2019· article· en· W2913327195 sur OpenAlexaffvenue
Maarten Boers, Dorcas Beaton, Beverley Shea, Lara Maxwell, Susan J. Bartlett, Clifton O. Bingham, Philip G. Conaghan, Maria Antonietta D’Agostino, Maarten de Wit, Laure Gossec, Lyn March, Lee S. Simon, Jasvinder A. Singh, Vibeke Strand, George A. Wells, Peter Tugwell

Notice bibliographique

RevueThe Journal of Rheumatology · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDelphi Technique in Research
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesLeeds Biomedical Research CentrePfizer AustraliaU.S. Department of Veterans AffairsNational Institute for Health and Care ResearchAgence Nationale de la RecherchePfizer
Mots-clésFilter (signal processing)Outcome (game theory)Set (abstract data type)Core (optical fiber)Intervention (counseling)Conceptual frameworkComputer scienceProcess (computing)PsychologyProcess managementMedicineMathematicsEngineeringSociologyNursing

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: The Outcome Measures in Rheumatology (OMERACT) Filter 2.0 framework was developed in 2014 to aid core outcome set development by describing the full universe of "measurable aspects of health conditions" from which core domains can be selected. This paper provides elaborations and updated concepts (OMERACT Filter 2.1). METHODS: At OMERACT 2018, we discussed challenges in the framework application caused by unclear or ambiguous wording and terms and incompletely developed concepts. RESULTS: The updated OMERACT Filter 2.1 framework makes benefits and harms explicit, clarifies concepts, and improves naming of various terms. CONCLUSION: We expect that the Filter 2.1 framework will improve the process of core set development.

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)0,251
score de la tête « metaresearch » (Gemma)0,291
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,749
Score d'incertitude au seuil0,924

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2510,291
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0020,005
Bibliométrie0,0080,005
Études des sciences et des technologies0,0030,003
Communication savante0,0060,007
Science ouverte0,0030,007
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,254
Tête enseignante GPT0,507
Écart entre enseignants0,253 · 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeThéorique ou conceptuel
DomaineMéthodes
GenreMéthodes

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

En bref

Citations144
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Journal of RheumatologyMême sujetDelphi Technique in ResearchTravaux en français237 207