Predicting the Probability That Open-Access Clinical Literature Saves Lives
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Whether open-access (OA) clinical literature directly saves lives is frequently debated, yet empirical documentation is scarce because clinical notes rarely record how evidence was accessed. This study synthesizes high-impact cases of OA-enabled clinical change—most notably the SARS-CoV-2 PCR diagnostic protocol and the RECOVERY dexamethasone findings—and develops an expanded Bayesian predictive model estimating the probability that a single clinician reading one OA article saves a life. We integrate three primary evidence bases: (1) clinician-reported rates of practice change following article consultation, (2) the proportion of clinical decisions that influence short- or long-term mortality, and (3) empirically observed mortality reductions following OA-mediated dissemination of life-saving therapeutic evidence. We then extend this model by incorporating additional determinants of diagnostic and therapeutic accuracy, including medical error rates, years of clinical experience, multimorbidity-dependent diagnostic entropy, cognitive load, structural barriers, team-based reliability, guideline adherence, and electronic health record (EHR)–related error susceptibility, formalized in a multilevel Bayesian framework. The core model yields a probability range of p ≈ 0.003–0.02 that a clinician–article encounter prevents one death, corresponding to a Number Needed to Treat (NNT) analog of approximately 50–330 clinician–article encounters. After accounting for heterogeneity in clinical acuity, multimorbidity, and the extended set of clinician and system parameters, hierarchical Bayesian extensions adjust the predictive interval to p ≈ 0.002–0.03 and NNT ≈ 30–500. The integrated analysis demonstrates that OA literature meaningfully increases the probability of life-saving clinical decisions, especially in high-acuity environments where marginal improvements in evidence latency and accuracy have large mortality consequences.
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.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,008 |
| 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 découle