Developing a minimum dataset for a national patient registry on Long COVID in Canada: a Delphi consensus-based study
Notice bibliographique
Résumé
OBJECTIVES: To develop survey items for a national patient registry on Long COVID using a modified Delphi process. DESIGN: This study was based on a modified Delphi process involving three rounds of anonymous, online surveys to develop consensus on and prioritise survey elements to be included in a minimum dataset for use in a national patient registry in Canada. Initial Long COVID items were identified through an environmental scan of the literature. SETTING: This study focused on healthcare systems in Canada and was conducted online. PARTICIPANTS: A panel of 52 experts (patients, caregivers, clinicians and researchers) participated in all three rounds of the online survey. These participants were recruited through the Long COVID Web network and word of mouth. RESULTS: In total, 243 survey elements related to care, quality of life and symptoms were included in round 1 of the survey. 200 reached consensus and moved to round 2 with two additional elements being developed based on open-ended responses. In round 2, participants ranked these survey elements and 34 advanced. In round 3, 33 survey elements met the threshold of consensus with one added a priori. The 33 survey elements were then used to develop a Long COVID minimum dataset, which consists of 48 items. CONCLUSIONS: The findings affirm broad consensus for collecting data related to fatigue, post-exertional malaise, cardiovascular issues, respiratory problems and cognitive issues. This highlighted the desire for quality-of-life indicators and information related to care utilisation, quality and access.
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 | 0,252 | 0,234 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,009 | 0,002 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
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 ».