Developing consensus on the most important equity-relevant items to include in pain research: a modified e-Delphi study
Notice bibliographique
Résumé
ABSTRACT: There is increasing recognition of the need for routine measurement and reporting of data that can reveal social factors that contribute to health inequities for people with pain. Prioritising what data to collect and understanding how to collect it can be challenging, and no clear guidance exists. We conducted a 3-round Delphi study to develop consensus on the most important items to include in a minimum dataset of equity-relevant variables. An international panel of experts and interest-holders were invited to participate based on expertise in pain, social determinants of health and health equity, or a lived experience of persistent pain. In round 1, 168 participants rated the importance of an initial set of 43 equity-relevant items and categorised them according to the PROGRESS-Plus Framework. Twenty-nine items reached agreement for inclusion (based on a threshold of panel median of ≥7 of 9); none of the items were excluded. Participant comments were collated, and 21 new items were proposed. In round 2, 152 participants (90% of round 1) voted on 35 items, 25 of which reached agreement for inclusion. In round 3, 142 participants (93% of round 2) prioritised the 54 items that reached the threshold for inclusion within each category and rated the PROGRESS-Plus category importance. Our results indicated consistent agreement that it is important to collect data on a wide range of social factors and provide rich data to inform the development of a consensus-derived, globally applicable, "minimum dataset" that will be recommended for routine use in all human pain research.
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 | 0,256 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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; 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 ».