Multiple Sclerosis International Federation guideline methodology for off-label treatments for multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: A total of 2.8 million people are living with multiple sclerosis and due to disparities in access to medicines, the ability to treat this condition varies widely. Off-label disease-modifying therapies are sometimes more available or affordable in different health systems. Appropriate methodology is integral in creating high-quality and trustworthy guidelines. In this article, we outline Multiple Sclerosis International Federation's (MSIF) approach to creating guidelines for off-label treatments for multiple sclerosis. METHODS: We use the Guidelines International Network (GIN)-McMaster Guideline Development Checklist and the Grading of Recommendations, Assessment, Development and Evaluations (GRADE) Evidence-to-Decision (EtD) framework. We developed detailed health descriptors for health outcomes and the panel drafted PICO (Population, Intervention, Comparator, Outcome) questions and prioritised outcomes. We collaborate with independent organisations, which systematically review and collate the information. We are actively engaging stakeholders and consulting with relevant organisations, boards, working groups and individuals. RESULTS: The draft guideline recommendations will be published for open comment and stakeholders will be encouraged to endorse and disseminate the guidelines. Our methodology ensures integrity and transparency in the criteria, evidence and judgement used to make recommendations. CONCLUSIONS: This approach will facilitate transparent creation of high-quality and trustworthy guidelines, and allow the global guidelines to be adopted or adapted into national settings.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».