2023 Society for Academic Emergency Medicine Consensus Conference on Precision Emergency Medicine: Development of a policy‐relevant, patient‐centered research agenda
Notice bibliographique
Résumé
OBJECTIVES: Precision medicine is data-driven health care tailored to individual patients based on their unique attributes, including biologic profiles, disease expressions, local environments, and socioeconomic conditions. Emergency medicine (EM) has been peripheral to the precision medicine discourse, lacking both a unified definition of precision medicine and a clear research agenda. We convened a national consensus conference to build a shared mental model and develop a research agenda for precision EM. METHODS: We held a conference to (1) define precision EM, (2) develop an evidence-based research agenda, and (3) identify educational gaps for current and future EM clinicians. Nine preconference workgroups (biomedical ethics, data science, health professions education, health care delivery and access, informatics, omics, population health, sex and gender, and technology and digital tools), comprising 84 individuals, garnered expert opinion, reviewed relevant literature, engaged with patients, and developed key research questions. During the conference, each workgroup shared how they defined precision EM within their domain, presented relevant conceptual frameworks, and engaged a broad set of stakeholders to refine precision EM research questions using a multistage consensus-building process. RESULTS: A total of 217 individuals participated in this initiative, of whom 115 were conference-day attendees. Consensus-building activities yielded a definition of precision EM and key research questions that comprised a new 10-year precision EM research agenda. The consensus process revealed three themes: (1) preeminence of data, (2) interconnectedness of research questions across domains, and (3) promises and pitfalls of advances in health technology and data science/artificial intelligence. The Health Professions Education Workgroup identified educational gaps in precision EM and discussed a training roadmap for the specialty. CONCLUSIONS: A research agenda for precision EM, developed with extensive stakeholder input, recognizes the potential and challenges of precision EM. Comprehensive clinician training in this field is essential to advance EM in this domain.
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 | 0,202 | 0,187 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,014 | 0,012 |
| Science ouverte | 0,010 | 0,024 |
| Intégrité de la recherche | 0,032 | 0,029 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,016 |
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 ».