Notice bibliographique
Résumé
Clinical practice guidelines (CPGs) can promote beneficial practices and reduce the likelihood of medical harm [1]. When applied to chronic disease management models, such as for the awareness, treatment and control of hypertension, CPGs have led to improvements in controlling the condition, while reducing the risk of cardiovascular and cerebrovascular death [2]. However, developing good CPGs alone will not lead to beneficial outcomes. Having healthcare providers change their behaviors to use CPGs requires ongoing active dissemination, effective implementation, and resources typically greater in magnitude than those required to create the guidelines [3]. Designing effective implementation strategies requires an understanding of the practice environment, in addition to the behavioral characteristics and needs of the end user. It is also important to recognize that many individuals within the primary care community distrust guidelines owing to the perception that there are already too many contradictory and cumbersome guidelines that have not all been created equally or with the same degree of quality [4]. This chapter is divided into three sections that correspond to inter-related domains regarding the use of CPGs in evidence-based medicine. The first section examines the process and substantive elements that go into the development of CPGs, along with methodology and tools for CPG development. The second section looks at guideline use in practice and the newly emerging area of evidence-based implementation along with some of the current evidence on effective strategies. The last section discusses some of the challenges of evaluating the successful use of guidelines in clinical practice. The Canadian Hypertension Education Program (CHEP) is used as an example of a highly effective guidelines program.
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 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,009 |
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; les deux têtes enseignantes 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 ».