Rapid qualitative evidence syntheses (rQES) in health technology assessment: experiences, challenges, and lessons
Notice bibliographique
Résumé
Healthcare decision makers are increasingly demanding that health technology assessment (HTA) is patient focused, and considers data about patients' perspectives on and experiences with health technologies in their everyday lives. Related data are typically generated through qualitative research, and in HTA the typical approach is to synthesize primary qualitative research through the conduct of qualitative evidence synthesis (QES). Abbreviated HTA timelines often do not allow for the full 6-12 months it may take to complete a QES, which has prompted the Canadian Agency for Drugs and Technologies in Health (CADTH) to explore the concept of "rapid qualitative evidence synthesis" (rQES). In this paper, we describe our experiences conducting three rQES at CADTH, and reflect on challenges faced, successes, and lessons learned. Given limited methodological guidance to guide this work, our aim is to provide insight for researchers who may contemplate rQES. We suggest several lessons, including strategies to iteratively develop research questions and search for eligible studies, use search of filters and limits, and use of a single reviewer experienced in qualitative research throughout the review process. We acknowledge that there is room for debate, though believe rQES is a laudable goal and that it is possible to produce a quality, relevant, and useful product, even under restricted timelines. That said, it is vital to recognize what is lost in the name of rapidity. We intend our paper to advance the necessary debate about when rQES may be appropriate, and not, and enable productive discussions around methodological development.
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 | 0,791 | 0,840 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,009 | 0,014 |
| Études des sciences et des technologies | 0,015 | 0,049 |
| Communication savante | 0,036 | 0,050 |
| Science ouverte | 0,012 | 0,043 |
| Intégrité de la recherche | 0,016 | 0,028 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».