Applying sequence analysis to uncover ‘real-world’ clinical pathways from routinely collected data: a systematic review
Notice bibliographique
Résumé
OBJECTIVES: This systematic review aims to elucidate the methodological practices and reporting standards associated with sequence analysis (SA) for the identification of clinical pathways in real-world scenarios, using routinely collected data. STUDY DESIGN AND SETTING: We conducted a methodological systematic review, searching five medical and health databases: MEDLINE, PsycINFO, CINAHL, EMBASE and Web of Science. The search encompassed articles from the inception of these databases up to February 28, 2023. The search strategy comprised two distinctive sets of search terms, specifically focused on sequence analysis and clinical pathways. RESULTS: 19 studies met the eligibility criteria for this systematic review. Nearly 60% of the included studies were published in or after 2021, with a significant proportion originating from Canada (n = 7) and France (n = 5). 90% of the studies adhered to the fundamental SA steps. The optimal matching (OM) method emerged as the most frequently employed dissimilarity measure (63%), while agglomerative hierarchical clustering using Ward's linkage was the preferred clustering algorithm (53%). However, it is imperative to underline that a majority of the studies inadequately reported key methodological decisions pertaining to SA. CONCLUSION: This review underscores the necessity for enhanced transparency in reporting both data management procedures and key methodological choices within SA processes. The development of reporting guidelines and a robust appraisal tool tailored to assess the quality of SA would be invaluable for researchers in this field.
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 | 0,205 | 0,820 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,054 | 0,010 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».