P33 Setting research priorities for the use of digital technology in the prevention and management of heart health: the results of the James Lind priority setting partnership
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
<h3>Background</h3> Patient outcomes in cardiovascular disease are characterised by inequalities in access to care and a failure to adequately address risk factors such as obesity, hypertension and physical inactivity. Digital technologies could help to address these challenges. <h3>Aim</h3> To generate a top 10 list of research priorities for the use of digital technology in the prevention and management of heart disease and heart conditions in the United Kingdom and Ireland, with equal input by people with lived experience and healthcare professionals. <h3>Methods</h3> James Lind Alliance methodology was used. An initial open response survey (completed between September and December 2023) gathered research ideas, which were filtered, categorised into summary questions, then checked against existing literature. An interim survey (completed between August and December 2024) asked respondents to select up to 10 questions that they considered most important. The top 20 ranked questions were discussed at a final workshop in December 2024. <h3>Results</h3> Ninety-nine respondents (62.2% with lived experience) submitted 422 questions. After removal of out-of-scope uncertainties and the creation of unanswered summary questions, 42 uncertainties were ranked by 133 respondents (73.7% with lived experience). The top 10 questions were agreed at the final workshop and the top three were: How can technology help people to prevent and manage a heart problem if they have one? How can technology give individualised support to help people manage their heart health? and How accurate and reliable is technology to measure and manage heart health and heart risk factors? <h3>Conclusion</h3> Future funding should be directed towards research questions identified by patients and healthcare professionals.
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 | 0,013 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle