Treat-to-target strategy for knee osteoarthritis. International technical expert panel consensus and good clinical practice statements
Notice bibliographique
Résumé
BACKGROUND: In this work, we aimed to establish a clinical target in the management of knee osteoarthritis (KOA) and to propose good clinical practice (GCP) statements for carrying out a treat-to-target strategy. METHODS: A steering committee of seven experts had formulated a provisional set of recommendations that were exposed for discussion and modification to a technical expert panel (TEP) of 25 multidisciplinary experts from Europe, North America, South America and Asia. The level of evidence and strength of each recommendation was discussed. The TEP formulated overarching principles and GCP statements based on the level of agreement for each item with a vote using a 10-point numerical scale. RESULTS: Two overarching principles and 10 GCP statements were formulated by the TEP. These GCP statements suggest: treatment should achieve clinical improvement bringing the patient to the Patient Acceptable Symptom State (PASS); pharmacological and nonpharmacological treatment should begin as early as possible, with an early diagnosis of symptomatic KOA; the patient should be evaluated every 3-6 months; risk factors of KOA progression should be identified and managed with patients at the beginning of the treatment and monitored regularly; treatment should be adapted according to patient phenotype and disease severity; healthy lifestyle must be promoted and monitored. The level of agreement average ranged from 8.7 to 9.6 on scale. CONCLUSIONS: The proposed overarching principles and GCP statements have the aim of involving patients, general practitioners and multidisciplinary specialists in sharing a therapeutic treat-to-target strategy for KOA management based on the best evidence and expert opinions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».