Establishing an Evidence Synthesis Capability For Psychological Health Topics in the Military Health System
Notice bibliographique
Résumé
BACKGROUND: To promote evidence-based health care, clinical providers and decision makers rely on scientific evidence to inform best practices. Evidence synthesis (ES) is a key component of this process that serves to inform health care decisions by integrating and contextualizing research findings across studies. OBJECTIVE: This paper describes the process of establishing an ES capability in the Military Health System dedicated to psychological health topics. RESEARCH DESIGNS: The goal of establishing the current ES capability was to facilitate evidence-based decision-making among clinicians, clinic managers, research funders, and policymakers, through the production and dissemination of trustworthy ES reports. We describe how we developed this capability, provide an overview of the types of evidence syntheses products we use to respond to different stakeholders, and detail the procedures established for selecting and prioritizing synthesis topics. RESULTS: We report on the productivity, acceptability, and impact of our efforts. Our reports were used by a variety of stakeholders and working groups, briefed to major committees, included in official reports and policies, and cited in clinical practice guidelines and the peer-reviewed literature. CONCLUSIONS: Our experiences thus far suggest that the current ES capability offers a needed service within our health system. Our framework may help inform other agencies interested in developing or sponsoring a similar capability.
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 | 0,850 | 0,842 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,005 |
| Méta-épidémiologie (sens large) | 0,005 | 0,008 |
| Bibliométrie | 0,039 | 0,018 |
| Études des sciences et des technologies | 0,011 | 0,019 |
| Communication savante | 0,035 | 0,032 |
| Science ouverte | 0,008 | 0,045 |
| Intégrité de la recherche | 0,011 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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.
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».