Introduction to target trial emulation in rehabilitation: a systematic approach to emulate a randomized controlled trial using observational data
Notice bibliographique
Résumé
Rehabilitation providers and policymakers need valid evidence to make informed decisions about the healthcare needs of the population. Whenever possible, these decisions should be informed by randomized controlled trials (RCTs). However, there are circumstances when evidence needs to be generated rapidly, or when RCTs are not ethical or feasible. These situations apply to studying the effects of complex interventions, including rehabilitation as defined by Cochrane Rehabilitation. Therefore, we explore using the target trial emulation framework by Hernán and colleagues to obtain valid estimates of the causal effects of rehabilitation when RCTs cannot be conducted. Target trial emulation is a framework guiding the design and analysis of non-randomized comparative effectiveness studies using observational data, by emulating a hypothetical RCT. In the context of rehabilitation, we outline steps for applying the target trial emulation framework using real world data, highlighting methodological considerations, limitations, potential mitigating strategies, and causal inference and counterfactual theory as foundational principles to estimating causal effects. Overall, we aim to strengthen methodological approaches used to estimate causal effects of rehabilitation when RCTs cannot be conducted.
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 | 0,522 | 0,714 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,006 | 0,012 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,013 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,007 | 0,006 |
| Intégrité de la recherche | 0,011 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».