Manual für Methoden und Nutzung versorgungsnaher Daten zur Wissensgenerierung
Notice bibliographique
Résumé
" There are more and more good reasons for using existing care data, with the focus in particular on the use of register data. The associated, clearly structured methodological procedure has so far been insufficiently combined, prepared and presented transparently. The German Network for Health Services Research (DNVF) has therefore set up an ad hoc commission for the use of routine practice data (RWE/RWD). The rapid report prepared by IQWiG on the scientific development of concepts for "generation of care-related data and their evaluation for the purpose of benefit assessment of medicinal products according to § 35a SGB V" is an essential step for the use of register data for the generation of evidence. The "Memorandum Register - Update 2019" published by DNVF 2020 also describes the requirements and methodological foundations of registers. Best practice examples from oncology, which are based on the uniform oncological basic data set for clinical cancer registration (§ 65c SGB V), show, for example, that guidelines can be checked and recommendations for guidelines and necessary interventions can be derived in the sense of knowledge-generating health services research using register data. At the same time, however, there are no clear quality requirements and structured formal and content-related procedures in the areas of data consolidation, data verification and the use of specific methods depending on the question at hand. The previously inconsistent requirements are to be revised and a method guide for the use of suited data is to be developed and published. The first chapter of the manual on methods of care-related data explains the objective and structure of the manual. It explains why the use of the term "routine practice data" is more effective than the use of the terms Real Word Data (RWD) and Real World Evidence (RWE). By avoiding the term "real world" it should be emphasized in particular that high-quality research can also be based on routine practice data (e. g. register-based comparative studies).
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 | 0,094 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,014 | 0,012 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,007 | 0,013 |
| Intégrité de la recherche | 0,004 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,168 | 0,133 |
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 ».