Individual patient data meta-analysis of self-monitoring of blood pressure (BP-SMART): a protocol
Notice bibliographique
Résumé
INTRODUCTION: Self-monitoring of blood pressure is effective in reducing blood pressure in hypertension. However previous meta-analyses have shown a considerable amount of heterogeneity between studies, only part of which can be accounted for by meta-regression. This may be due to differences in design, recruited populations, intervention components or results among patient subgroups. To further investigate these differences, an individual patient data (IPD) meta-analysis of self-monitoring of blood pressure will be performed. METHODS AND ANALYSIS: We will identify randomised trials that have compared patients with hypertension who are self-monitoring blood pressure with those who are not and invite trialists to provide IPD including clinic and/or ambulatory systolic and diastolic blood pressure at baseline and all follow-up points where both intervention and control groups were measured. Other data requested will include measurement methodology, length of follow-up, cointerventions, baseline demographic (age, gender) and psychosocial factors (deprivation, quality of life), setting, intensity of self-monitoring, self-monitored blood pressure, comorbidities, lifestyle factors (weight, smoking) and presence or not of antihypertensive treatment. Data on all available patients will be included in order to take an intention-to-treat approach. A two-stage procedure for IPD meta-analysis, stratified by trial and taking into account age, sex, diabetes and baseline systolic BP will be used. Exploratory subgroup analyses will further investigate non-linear relationships between the prespecified variables. Sensitivity analyses will assess the impact of trials which have and have not provided IPD. ETHICS AND DISSEMINATION: This study does not include identifiable data. Results will be disseminated in a peer-reviewed publication and by international conference presentations. CONCLUSIONS: IPD analysis should help the understanding of which self-monitoring interventions for which patient groups are most effective in the control of blood pressure.
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 | 0,063 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,021 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,007 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,009 |
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 ».