MétaCan
Menu
Retour à la cohorte
Enregistrement W4412634708 · doi:10.1016/j.lanhl.2025.100739

Measuring and monitoring the quality of dying in the UN Decade of Healthy Ageing

2025· review· en· W4412634708 sur OpenAlexaff
Rowan Harwood, Jotheeswaran Amuthavalli Thiyagarajan, Afsan Bhadelia, Andrea D. Foebel, Catriona R Mayland, Chetna Malhotra, Deborah Blacker, Elizabeth L Sampson, Eric Finkelstein, Harmehr Sekhon, Jean Woo, Jenny T. van der Steen, Julia Verne, Leon Geffen, Lieve Van den Block, M. S. Youssef, Moïse Muzigaba, Muthoni Gichu, Sarah Hopkins, Julie Ling, Stefania Ilinca, Ritu Sadana, Matteo Cesari, Yuka Sumi, Theresa Diaz, Anshu Banerjee

Notice bibliographique

RevueThe Lancet Healthy Longevity · 2025
Typereview
Langueen
DomaineMedicine
ThématiquePalliative Care and End-of-Life Issues
Établissements canadiensUniversité de MontréalMcGill UniversityCanadian Institute for Health Information
Organismes subventionnairesWorld Health Organization
Mots-clésAgeingQuality (philosophy)MedicinePhilosophyInternal medicine

Résumé

récupéré en direct d'OpenAlex

WHO aims to identify metrics to monitor the quality of dying, complementing those indicators proposed under the UN Decade of Healthy Ageing. However, the proposed criteria for a good death are contentious. Needs and priorities vary between individuals and their carers, across conditions, over time, and across communities and cultures. Monitoring should also consider sudden or rapid deaths and assisted dying. Fundamental challenges in data collection include who reports, over what timeframe, and when. This Personal View explores these challenges, identifying potentially measurable indicators and ambiguities in their use, and offers recommendations towards a practical measurement framework. We aimed to define a concise, meaningful, and pragmatic set of indicators that could be collected and applied universally across countries and over time. We define a logic model of candidate variables at different conceptual levels and describe an empirical exercise for prioritising and operationalising these variables for measurement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,025
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,081

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,025
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0050,006
Études des sciences et des technologies0,0000,001
Communication savante0,0030,004
Science ouverte0,0010,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,540
Tête enseignante GPT0,546
Écart entre enseignants0,005 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Lancet Healthy LongevityMême sujetPalliative Care and End-of-Life IssuesTravaux en français237 207