New horizons in evidence-based care for older people: individual participant data meta-analysis
Notice bibliographique
Résumé
Evidence-based decisions on clinical and cost-effectiveness of interventions are ideally informed by meta-analyses of intervention trial data. However, when undertaken, such meta-analyses in ageing research have typically been conducted using standard methods whereby summary (aggregate) data are extracted from published trial reports. Although meta-analysis of aggregate data can provide useful insights into the average effect of interventions within a selected trial population, it has limitations regarding robust conclusions on which subgroups of people stand to gain the greatest benefit from an intervention or are at risk of experiencing harm. Future evidence synthesis using individual participant data from ageing research trials for meta-analysis could transform understanding of the effectiveness of interventions for older people, supporting evidence-based and sustainable commissioning. A major advantage of individual participant data meta-analysis (IPDMA) is that it enables examination of characteristics that predict treatment effects, such as frailty, disability, cognitive impairment, ethnicity, gender and other wider determinants of health. Key challenges of IPDMA relate to the complexity and resources needed for obtaining, managing and preparing datasets, requiring a meticulous approach involving experienced researchers, frequently with expertise in designing and analysing clinical trials. In anticipation of future IPDMA work in ageing research, we are establishing an international Ageing Research Trialists collective, to bring together trialists with a common focus on transforming care for older people as a shared ambition across nations.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».