057 Handling Trial Participants with Missing Data in Meta-Analyses Of Dichotomous Outcomes: Guidance for Systematic Reviewers
Notice bibliographique
Résumé
Background Systematic reviewers including all randomised participants in their meta-analyses need to make assumptions about the outcomes of those with missing data. Objectives To provide systematic review authors with guidance on dealing with participants with missing data for dichotomous outcomes. Methods The authors used an iterative process of suggesting guidance and obtaining feedback to arrive at a proposed approach. Results For participants with missing data, systematic reviewers can use a range of plausible assumptions in the intervention and control arms. Extreme assumptions include ‘all’ or ‘none’ of the participants had an event, but these assumptions are not plausible. Less extreme assumptions may draw on the incidence rates within the trial (e.g., same incidence in the trial control arm) or in all trials included in the meta-analysis (e.g., highest incidence among control arms of all included trials). The primary meta-analysis may use either a complete case analysis or a plausible assumption. Sensitivity meta-analyses to test the robustness of the primary meta-analysis results should include extreme plausible assumptions. When the meta-analysis results are robust to extreme plausible assumptions, inferences are strengthened. Vulnerability to extreme plausible assumptions suggests rating down confidence in estimates of effect for risk of bias. Conclusions This guide proposes an approach to establishing confidence in estimates of effect when systematic reviewers are faced with missing participant data for binary dichotomous outcomes in randomised trials.
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 | 0,335 | 0,710 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,006 |
| Méta-épidémiologie (sens large) | 0,008 | 0,011 |
| Bibliométrie | 0,016 | 0,018 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,016 | 0,007 |
| Intégrité de la recherche | 0,017 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,036 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».