Prioritization process for European Academy of Neurology clinical practice guidelines
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: The development of high-quality clinical practice guidelines (CPGs) takes substantial time, effort, and resources. During the past years, the European Academy of Neurology (EAN) guideline production was significantly increased, so the need to develop clear, transparent, and methodologically solid criteria for prioritizing guideline topics became apparent. With this paper, we aim to define a set of criteria to be applied for prioritizing topics for future EAN guidelines, as well as the procedure for their implementation. METHODS: After review of the literature, we identified a recent systematic review that reported on the main prioritization criteria used by health organizations. Based on these, we developed a list of 20 preliminary criteria, which were voted on through a Delphi consensus procedure, including 160 stakeholders. Finally, we established a working procedure on how to submit and select new guideline topic proposals within the EAN. This procedure was reviewed by the EAN Scientific Committee and the Board. RESULTS: The first round, 61.3% of the participants voted, and 86% of them participated in the second round. Seven criteria were approved with this procedure. After the selection of the criteria, a prioritization procedure was launched, and the first 30 topics are reported in this paper. This bottom-up process that involved the whole EAN community was followed by a top-down process, using additional criteria for further selection by the EAN board members. CONCLUSIONS: We describe the development of prioritization criteria to be applied in the process of topic selection for future EAN CPGs. We will perform regular reviews and adjustments of the process.
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 | 0,023 | 0,116 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».