Nutrition Users’ Guides: RCTs Part 2 – structured guide for interpreting and applying study results from randomised controlled trials on therapy or prevention questions
Notice bibliographique
Résumé
This article continues from a prior commentary on evaluating the risk of bias in randomised controlled trials addressing nutritional interventions. Having provided a synopsis of the risk of bias issues, we now address how to understand trial results, including the interpretation of best estimates of effect and the corresponding precision (eg, 95% CIs), as well as the applicability of the evidence to patients based on their unique circumstances (eg, patients' values and preferences when trading off potential desirable and undesirable health outcomes and indicators (eg, cholesterol), and the potential burden and cost of an intervention). Authors can express the estimates of effect for health outcomes and indicators in relative terms (relative risks, relative risk reductions, OR or HRs)-measures that are generally consistent across populations-and absolute terms (risk differences)-measures that are more intuitive to clinicians and patients. CIs, the range in which the true effect plausibly lies, capture the precision of estimates. To apply results to patients, clinicians should consider the extent to which the study participants were similar to their patients, the extent to which the interventions evaluated in the study are applicable to their patients and if all patient-important outcomes of potential benefit and harm were reported. Subsequently, clinicians should consider the values and preferences of their patients with respect to the balance of the benefits, harms and burdens (and possibly the costs) when making decisions about dietary interventions.
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 | 0,013 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».