Evidence-based Medicine and Mechanistic Evidence: The Case of the Failed Rollout of Efavirenz in Zimbabwe
Notice bibliographique
Résumé
Evidence-based medicine (EBM) has long deemphasized mechanistic reasoning and pathophysiological rationale in assessing the effectiveness of interventions. The EBM+ movement has challenged this stance, arguing that evidence of mechanisms and comparative studies should both be seen as necessary and complementary. Advocates of EBM+ provide a combination of theoretical arguments and examples of mechanistic reasoning in medical research. However, EBM+ proponents have not provided recent examples of how downplaying mechanistic reasoning resulted in worse medical results than would have occurred otherwise. Such examples are necessary to make the case that EBM+ responds to a problem in clinical practice that urgently demands a solution. In light of this, we examine the failed rollout of efavirenz as a first-line HIV treatment in Zimbabwe as evidence of the importance of mechanistic reasoning in improving clinical practice and public health policy decisions. We suggest that this case is analogous to examples commonly given to support EBM.
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 | 0,133 | 0,243 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,022 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,016 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».