Methodology used to develop the minimum common data elements for surveillance and Reporting of Musculoskeletal Injuries in the MILitary (ROMMIL) statement
Notice bibliographique
Résumé
Background: The objective was to summarize the methodology used to develop the international minimum data elements for surveillance and Reporting of Musculoskeletal Injuries in the MILitary (ROMMIL) statement. This is a recommended list of elements to be collected and reported when conducting injury surveillance research in military settings. Methods: A Delphi methodology was employed to reach consensus. Preliminary steps included conducting a literature review and surveying a convenience sample of military stakeholders to 1) identify barriers and facilitators of military musculoskeletal injury (MSKI) prevention programs, 2) identify relevant knowledge gaps, and 3) establish future research priorities. A sequential three-round Delphi consensus survey followed, including relevant stakeholders from militaries around the world, using results to conduct an asynchronous knowledge user meeting (mixture of in-person and live video conference and recording) to explore the level of agreement among subject matter experts. Knowledge users, including former and current military service members, civilian practitioners working in military health networks, and international subject matter experts having experience with policy, execution, or clinical investigation of MSKI mitigation programs, MSKI diagnoses, and MSKI risk factors in military settings. For each round, participants scored questions on a Likert scale of 1-5. Scores ranged from No Importance (1) to Strong Importance (5). Results: Literature review and surveys helped inform the scope of potential variables. Three rounds were necessary to reach minimum consensus. Ninety-five, 65, and 42 respondents participated in the first, second and third rounds, respectively. Conclusions: Achieving consensus across relevant knowledge users representing military organizations globally can be challenging. This paper details the methodology employed to reach consensus for a core minimum data elements checklist for conducting MSKI research in military settings and improve data harmonization and scalability efforts. These methods can be used as a resource to assist in future consensus endeavors of similar nature.
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 | 0,057 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes 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 ».