Recommendations on the Use of Structured Expert Elicitation Protocols for Healthcare Decision Making: A Good Practices Report of an ISPOR Task Force
Notice bibliographique
Résumé
Healthcare decision making, including regulatory and reimbursement decisions, is based on uncertain assessments of clinical and economic value. This arises from the evidence supporting those assessments being uncertain, incomplete, or even absent. Qualitative, structured expert elicitation (SEE) is a valuable tool for extracting expert knowledge about an uncertain quantity and formulating that knowledge as a probability distribution. This creates a useful input to decision modeling and support, particularly in areas with limited evidence, such as advanced therapy products, precision medicine, rare diagnoses, and other areas with high uncertainty. Structured SEE protocols are used to improve the transparency, accuracy, and consistency of quantitative judgments from experts, limiting the effect of heuristics and biases. This task force report introduces 5 commonly used protocols for SEE (Sheffield elicitation framework; modified Delphi method; Cooke's classical method; investigate, discuss, estimate, aggregate protocol; and the Medical Research Council reference protocol). It describes the common elements of SEE, discusses how these protocols differ in their implementation of those elements and illustrates the use of the protocols. The report then reviews the relevant constraints on implementing SEE within the context of healthcare decision making and considers the strengths and weaknesses of these protocols in light of those considerations. Because this is an introductory report on an emerging topic, specific recommendations on practice are not made. However, there are broad recommendations based on the suitability of the different protocols in various decision contexts. The report concludes with recommendations for further research to better guide future practice.
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 | 0,020 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».