Loss of Follow-Up in Orthopaedic Trauma
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
BACKGROUND: Loss of follow-up represents a potential source of bias. Suggested guidelines propose 20% loss of follow-up as acceptable. However, these guidelines have not been established through scientific investigations. The goal of this study was to evaluate how loss of follow-up influences the statistical significance in a trauma database. METHODS: A database of 637 polytrauma patients with an average follow-up of 17.5 years postinjury was used. The functional outcome of workers' compensation patients versus nonworkers' compensation patients was compared using a validated scoring system. A significant difference between the 2 groups was found (P < 0.05). We simulated a gradually increasing loss of follow-up by randomly deleting an increasing number of patients from 2%, 5%, and 10%, and then increasing in increments of 5% until the significance changed. This process was repeated 50 times, each time with a different electronic random generator. For each simulation series, we documented at which simulated loss of follow-up that the results turned from significant (P < 0.05) to nonsignificant (P > 0.05). RESULTS: Among 50 simulation series, the turning point from significant to nonsignificant varied between 15% and 75% loss of follow-up. A simulated loss of follow-up of 10% did not change the statistical significance in any of the simulation series; a simulated loss of follow-up of 20% changed the statistical significance in 28% of our simulation series. CONCLUSIONS: A loss of follow-up of 20% or less may frequently change the study results. Researchers should establish protocols to minimize loss of follow-up and clearly state the loss of follow-up in manuscript publications.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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