GRADE Notes 4: how to use GRADE when there is “no” evidence? A case study of using unpublished registry data
Notice bibliographique
Résumé
OBJECTIVES: Trustworthy guidelines rely on systematic reviews of the best available published evidence. The GRADE (Grading of Recommendations Assessment, Development, and Evaluation) Working Group has provided guidance about developing evidence-based recommendations when published direct evidence is lacking. In this article, we provide a case example as an alternate solution to generate primary data using registries prior to collecting expert evidence. STUDY DESIGN AND SETTING: When direct published literature was absent, a team of clinical and statistical expertise can utilize registries, when available, for primary data generation in a way that allows for answering clinically important questions. RESULTS: Out of 54 questions prioritized by a guideline development for the prevention and management of peritoneal dialysis-associated infections in children, 25 questions had no evidence to inform them. The use of unpublished registry data served as a primary source of information to answer 12 of the 25 questions and provided additional information for nine questions for which at least one published study was available. CONCLUSION: This article extends our previous GRADE note for scenarios of "no" evidence, highlighting the value of generating primary evidence using unpublished registry data when relevant registries and resources allow. This approach can be of particular value when addressing conditions that are rare or from populations that are considered vulnerable, while emphasizing the importance of being transparent regarding the reporting of raw data and the analysis plan in the event of reporting unpublished work.
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 | 0,240 | 0,688 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,005 | 0,012 |
| Bibliométrie | 0,012 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,012 | 0,010 |
| Science ouverte | 0,010 | 0,007 |
| Intégrité de la recherche | 0,014 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,012 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».