Problems with the recommendation to implement ACEs screening
Notice bibliographique
Résumé
Thanks to the Journal for extending the opportunity for discussion about the topic of adverse childhood experiences (ACEs) screening and to Dr. Watson for her response to our letter (1,2). It is important to highlight that we are NOT contesting the need for health care providers to be aware of, and knowledgeable about, ACEs. Rather, our concern is specific to the recommendation to implement ACEs screening in clinical practice. The evidence used to inform any screening recommendation needs to be systematically evaluated using well-defined criteria. When current screening criteria, such as those outlined in a recent synthesis published in the Canadian Medical Association Journal (3), are applied to ACEs screening, the majority of criteria are simply not met. Recommendations to systematically screen for any particular exposure, symptom, sign, or illness, require clear operationalization and justification of each step in the proposed process. Identifying an important issue and a related tool is not sufficient. Furthermore, there is no evidence that systematic screening for individual items on ACEs questionnaires, or using an aggregate ACEs score, leads to better health outcomes. Additionally, the potential for more harm than benefit, from any well-intentioned screening, should not be ignored but considered across multiple domains (4).
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 | 0,289 | 0,766 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,008 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,010 |
| Communication savante | 0,009 | 0,017 |
| Science ouverte | 0,010 | 0,008 |
| Intégrité de la recherche | 0,043 | 0,047 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,009 |
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 ».