Use of Evidence in Acute Stroke Decision-Making: Implications for Evidence-Based Medicine
Notice bibliographique
Résumé
Evidence-Based Medicine proposes a prescriptive model of physician decision-making in which “best evidence” is used to guide best practice. And yet, proponents of EBM acknowledge that EBM fails to offer a systematic theory of physician decision-making. In this paper, we explore how physicians from the neurology and emergency medicine communities have responded to an evolving body of evidence surrounding the acute treatment of patients with ischemic stroke. Through analysis of this case study, we argue that EBM’s vision of evidence-based medical decision-making fails to appreciate a process that we have termed epistemic evaluation. Namely, physicians are required to interpret and apply any knowledge — even what EBM would term “best evidence” — in light of their own knowledge, background and experience. This is consequential for EBM as understanding what physicians do and why they do it would appear to be essential to achieving optimal practice in accordance with best evidence.
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 | 0,280 | 0,460 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,012 | 0,009 |
| Études des sciences et des technologies | 0,008 | 0,073 |
| Communication savante | 0,029 | 0,051 |
| Science ouverte | 0,007 | 0,019 |
| Intégrité de la recherche | 0,019 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».