Methodology for the Development of the Allergic Rhinitis and Its Impact on Asthma ( <scp>ARIA</scp> )‐EAACI 2024–2025 Guidelines: From Evidence‐to‐Decision Frameworks to Digitalised Shared Decision‐Making Algorithms
Notice bibliographique
Résumé
The Allergic Rhinitis and its Impact on Asthma (ARIA) guidelines produced their first edition in 1999, with subsequent revisions in 2008, 2010, 2016 and 2019. A new iteration of ARIA-ARIA 2024-2025-in collaboration with EAACI is currently being developed, focusing on the management of allergic rhinitis. ARIA 2024-2025 follows the GRADE framework and is endorsed by the European Academy of Allergy and Clinical Immunology (EAACI). A set of approaches has been used to develop guideline questions, including surveying key opinion leaders and using artificial intelligence (AI)-based tools to analyse web searches on allergic rhinitis and to generate questions. Each prioritised guideline question is assessed through an Evidence-to-Decision (EtD) framework. EtDs support the systematic and transparent formulation of recommendations, comprising 12 criteria for which the best available evidence should be sought. In the context of ARIA-EAACI 2024-2025, such evidence is derived not only from randomised controlled trials but also-among others-from patient-generated data sources that better reflect the affected individuals' perspectives. Moreover, ARIA-EAACI 2024-2025 incorporates evidence on planetary health. Developed guideline recommendations will support the creation of digitalised decision algorithms and care pathways. This paper describes the methodology used to develop the person-centred, digitally enabled and AI-assisted ARIA-EAACI 2024-2025. Among others, it describes (i) the development and prioritisation of guideline questions, (ii) sources of evidence for EtDs and (iii) the development of digitalised decision algorithms and care pathways.
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 | 0,001 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».