Patients' values and preferences for health states in allergic rhinitis—An artificial intelligence supported systematic review
Notice bibliographique
Résumé
BACKGROUND: Allergic rhinitis (AR) impacts patients' physical and emotional well-being. Assessing patients' values and preferences (V&P) related to AR is an essential part of patient-centered care and of the guideline development process. We aimed to systematically summarize the information about patients' V&P on AR and its symptoms and impact on daily life. METHODS: We conducted systematic review in a MEDLINE, Embase, PsychInfo, and CINAHL databases. We included studies which quantitatively assessed patients' V&P for specific outcomes in AR by assessing utilities, applying discrete choice approaches, or rating and ranking outcomes. We grouped outcomes as AR symptoms, functional status, and care-related patient experience. Study selection and data extraction were supported by the Laser AI tool. We rated the certainty of evidence (CoE) using the GRADE approach. RESULTS: Thirty-six studies (41 records) were included: nine utility studies, seven direct-choice studies and 21 studies of rating or ranking outcomes. Utilities were lower with increased AR severity and with the concomitant presence of asthma, but not with whether AR was seasonal or perennial (CoE = low-high). Patients rated AR symptom-related outcomes as more important than those related to care-related patient experience and functional status (CoE = very low-moderate). Nasal symptoms (mainly nasal congestion) followed by breathing disorders, general and ocular symptoms were rated as the symptoms with the highest impact. CONCLUSIONS: This systematic review provides a comprehensive overview of V&P of patients with AR. Patients generally considered nasal symptoms as the most important. Future studies with standardized methods are needed to provide more information on V&P in AR.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».