Adaptation of clinical guidelines: advances on methods and reporting
Bibliographic record
Abstract
Introducció Les guies clíniques (GC) tenen com a objectiu ajudar les parts interessades a prendre decisions sobre salut. No obstant això, la majoria de les organitzacions no tenen prou recursos per a desenvolupar GC d'alta qualitat. L'adaptació de les GC existents és una forma eficient. Atès que les GC adaptades que estan publicades tenen generalment una baixa qualitat, una informació deficient i no es basen en els marcs d'adaptació de les GC, hi ha una necessitat urgent d'optimitzar la informació i la metodologia utilitzada per a l'adaptació de les GC. Objectius 1) Investigar les metodologies de les GC utilitzades en un país d'ingressos mitjans en relació amb l'elaboració, l'adaptació i l'actualització, 2) explorar la pràctica actual i els reptes de l'adaptació de les GC, i 3) desenvolupar una llista de verificació per a informar sobre l'adaptació de GC en salut. Mètodes Per a l'estudi I, vam dur a terme una enquesta nacional sobre les metodologies utilitzades per les organitzacions xineses de GC, utilitzant un qüestionari pilotat. Identificàrem les possibles organitzacions participants a partir de GC xineses publicades, elaboradors xinesos de GC i experts clínics xinesos. Per a l'estudi II, vam dur a terme entrevistes semiestructurades amb experts en adaptació de GC. Aplicàrem una anàlisi del marc per al procés d'adaptació de les GC i una anàlisi temàtica per a les opinions i experiències dels participants respecte a la pràctica i dificultats de l'adaptació. Per a l'estudi III, seguírem un procés de diversos passos: 1) establir un grup de treball (GT), 2) generar una llista de verificació inicial, 3) optimitzar la llista de verificació (a través d'una avaluació inicial de les GC adaptades, entrevistes semiestructurades, una enquesta de consens Delphi, una revisió externa i una avaluació final de les GC adaptades) i 4) aprovació de la llista de verificació per part del GT. Resultats A l'estudi I, vam estudiar 48 organitzacions xineses d'elaboració de GC. El procés d'elaboració de GC a la Xina encara no té una divisió específica d'elaboració de GC, una participació de les parts interessades, un procés d'actualització formal, una vigilància, una gestió de conflictes d'interessos (COI) ni un finançament. Els mètodes utilitzats són variables i sovint informals. Només unes poques organitzacions xineses de GC utilitzen marcs d'adaptació publicats o mètodes d'actualització formal. En l'estudi II, entrevistàrem deu experts en adaptació de GC i identificàrem nou metodologies d'adaptació. Els principals passos de la pràctica d'adaptació són: selecció de l'abast, avaluació de fonts, formulació de recomanacions adaptades, revisió externa i seguiment d'activitats. Els reptes en l'adaptació de GC inclouen: mala qualitat o informació de la font de les GC, manca de recursos o habilitats, intensitat i complexitat del procés i barreres d'implementació. En l'estudi III, desenvolupàrem la llista de verificació RIGHT-Ad@pt (Reporting Tool for the Adapted Guidelines in Health Care), que conté 34 elements, agrupats en set seccions: informació bàsica, abast, rigor en l'elaboració, recomanacions, revisió externa i control de qualitat, finançament, declaració i gestió de COI i altra informació. També desenvolupàrem una guia d'us, que contenia explicacions i exemples reals per a cada element. Conclusions Els mètodes actuals per adaptar les guies clíniques continuen sent variables i subòptims. El RIGHT-Ad@pt proporciona unes directrius detallades sobre la presentació de GC adaptades, incloent l'informe del procés metodològic i les recomanacions adaptades, fet que contribueix a millorar la transparència i la credibilitat de les GC adaptades. El RIGHT-Ad@pt es pot utilitzar per informar sobre la presentació del procés d'adaptació, per avaluar-ne l'exhaustivitat a les GC adaptades i perquè, en combinació amb l'ús de marcs per a l'adaptació, informi els processos d'adaptació.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.329 | 0.656 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.004 | 0.005 |
| Bibliometrics | 0.020 | 0.026 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.018 | 0.019 |
| Open science | 0.010 | 0.015 |
| Research integrity | 0.008 | 0.014 |
| Insufficient payload (model declined to judge) | 0.014 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".