Real-world data and evidence in pain research: an IMMPACT comprehensive review and best practice recommendations
Notice bibliographique
Résumé
ABSTRACT: Real-world data (RWD) can be defined as routinely collected clinical or administrative data that might be used for research purposes and to generate real-world evidence (RWE). Computerized search and data mining methods, large electronic databases, and the development of novel computational and statistical methods allow for improved access to and analysis of RWD. Although RWD afford the opportunity to generate RWE with potentially improved efficiency and generalizability over prospective clinical studies, it is important to understand and apply best practices when analysing RWD, particularly when the goal is to generate RWE of diagnostic, prognostic, or treatment effectiveness. Real-world evidence can provide evidence complementary to randomized clinical trials (RCTs), especially in scenarios where RCTs are difficult to conduct. Real-world evidence studies need to be carefully designed, the research question clearly defined and addressable with the available RWD source, variables (treatment, outcome, covariates) operationalized, and hypotheses and analyses specified before data access. Sound interpretation of results requires a deep understanding of the benefits and limitations of RWE studies, including often deficient data quality, confounding, and other potential sources of bias. Registered protocols, registered reports as a publishing model, and/or restricted access to data until protocols are in place can be encouraged by journals and enforced by data guardians and will contribute to the emergence of high-quality RWD studies. Here, we summarize guidance documents on generating RWE of treatment effectiveness or comparative effectiveness, discuss the strengths and limitations of RWD and RWE, and provide recommendations for conducting effectiveness RWE studies in the pain field.
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 | 0,085 | 0,238 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,024 | 0,017 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,010 | 0,012 |
| Science ouverte | 0,007 | 0,007 |
| Intégrité de la recherche | 0,009 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».