Developing a Best Practice Guideline for Clinical Practice in a Digital Health Environment: Systematic Reviews Based on the Grading of Recommendations, Assessment, Development, and Evaluation Approach
Notice bibliographique
Résumé
Background: Digital health refers to the field of knowledge and practice associated with the development and use of digital technologies to improve clinical practice and health outcomes. Knowledge of digital health technology is becoming essential for all nurses and health providers. Objective: This study aims to present the results of the systematic reviews that were used to inform the recommendations in a best practice guideline (BPG) following the GRADE (Grading of Recommendations, Assessment, Development, and Evaluation) approach. Reviews focused on digital health education for nurses and health providers, peer champion models, and the use of predictive analytics in digital health environments. Methods: The BPG team, in collaboration with a panel of 17 experts, conducted 5 systematic reviews to address 5 recommendation questions. Systematic searches looked for relevant studies published in English from January 2017 to July 2022 from 10 databases. The GRADE approach was used to synthesize and evaluate the quality of evidence, ensuring the guideline aligned with international reporting standards. Results: A total of 18 articles across 4 systematic reviews met the inclusion criteria. From these reviews, 4 corresponding recommendations were drafted for nurses and health providers. The strength of the recommendations was determined through discussion and consensus by the expert panel using the GRADE approach. Among all, 1 systematic review resulted in no recommendation due to insufficient evidence. Conclusions: The BPG on digital health provides 4 evidence-based recommendations for nurses and health providers on how to incorporate digital health technologies into clinical practice. This BPG is intended to be used across all health care settings.
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 | 0,044 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».