Computerised adaptive testing accurately predicts CLEFT-Q scores by selecting fewer, more patient-focused questions
Notice bibliographique
Résumé
BACKGROUND: The International Consortium for Health Outcome Measurement (ICHOM) has recently agreed upon a core outcome set for the comprehensive appraisal of cleft care, which puts a greater emphasis on patient-reported outcome measures (PROMs) and, in particular, the CLEFT-Q. The CLEFT-Q comprises 12 scales with a total of 110 items, aimed to be answered by children as young as 8 years old. OBJECTIVE: In this study, we aimed to use computerised adaptive testing (CAT) to reduce the number of items needed to predict results for each CLEFT-Q scale. METHOD: We used an open-source CAT simulation package to run item responses over each of the full-length scales and its CAT counterpart at varying degrees of precision, estimated by standard error (SE). The mean number of items needed to achieve a given SE was recorded for each scale's CAT, and the correlations between results from the full-length scales and those predicted by the CAT versions were calculated. RESULTS: Using CATs for each of the 12 CLEFT-Q scales, we reduced the number of questions that participants needed to answer, that is, from 110 to a mean of 43.1 (range 34-60, SE < 0.55) while maintaining a 97% correlation between scores obtained with CAT and full-length scales. CONCLUSIONS: CAT is likely to play a fundamental role in the uptake of PROMs into clinical practice given the high degree of accuracy achievable with substantially fewer items.
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 | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».