Robust Evidence in Integrative Medicine: Innovations, Challenges, and Future Directions
Notice bibliographique
Résumé
Integrative Medicine (IM), which includes therapies such as acupuncture, herbal medicine, yoga, and meditation, is gaining attention for managing chronic pain conditions. However, concerns about the quality of evidence supporting the use of these interventions persist. The 5th Annual Jaseng Academic conference 2024, in Seoul, South Korea, themed "Robust Evidence in Integrative Medicine: Innovations, Challenges, and Future Directions," addressed these concerns by focusing on advancements in study design, evidence synthesis, and open science practices. This conference proceeding summarizes key insights from the conference, emphasizing the role of pragmatic randomized controlled trials (pRCTs) in evaluating real-world effectiveness, and addressing the complexities involved in IM research such as sham controls. The integration of IM therapies into comprehensive pain management strategies (particularly in Korea), supported by government-backed research and policy initiatives was also discussed. Advancements in methodologies were addressed, such as bibliometric analysis, evidence mapping, and the development of clinical practice guidelines (CPGs) for integrative therapies. These methodologies offer valuable insights but face challenges due to the heterogeneity of IM interventions, and potential synergistic or antagonistic effects when combined with conventional medicine. Finally, the potential of open science to enhance transparency, reporting, and reproducibility in IM was explored, emphasizing the increased role of adherence to reporting guidelines (CONSORT and PRISMA). The future of IM research is built upon the continued efforts of refined study designs, rigorous evidence synthesis, and the integration of open science principles, for a robust and more credible evidence base.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».