Creating more comparable cohorts in observational palliative care studies: A proposed framework to improve applicability and replicability of research
Notice bibliographique
Résumé
Background: Palliative care is characterised by heterogeneous patient and caregiver populations who are provided care in different health systems and a research base including a large proportion of observational, mostly retrospective studies. The inherent diversity of palliative care populations and the often inadequate study descriptions challenge the application of new knowledge into practice and reproducibility for confirmatory studies. Being able to define systematically study populations would significantly increase their generalisability and effective translation into practice. Proposal: Based on an informal consensus process by active palliative care researchers challenged by this problem and a review of the current evidence, we propose an approach to creating more comparable cohorts in observational (non-randomised) palliative care studies that relies on defining the study population in relation to a fixed, well-defined event from which analyses are built (‘anchoring’). In addition to providing a detailed and complete description of the study population, anchoring is the critical step in creating more comparable cohorts in observational palliative care studies. Anchoring can be done with respect to a single or multiple data points, and can support both prospective and retrospective data collection and analysis. Discussion: Anchoring the cohort to reproducible data points will help create more comparable cohorts in palliative care whilst mitigating its inherent heterogeneity. This, in turn, will help optimise the generalisability, applicability and reproducibility of observational palliative care studies to strengthen the evidence base and improve practice.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».