MétaCan
Menu
Retour à la cohorte
Enregistrement W2080285871 · doi:10.1136/bmj.d1569

The influence of study characteristics on reporting of subgroup analyses in randomised controlled trials: systematic review

2011· review· en· W2080285871 sur OpenAlexafffund
Xin Sun, Matthias Briel, Jason W. Busse, John J. You, Elie A. Akl, Filip Mejza, Małgorzata M Bała, Dirk Bassler, Dominik Mertz, Natalia Diaz-Granados, Per Olav Vandvik, Germán Málaga, Sadeesh Srinathan, Philipp Dahm, Bradley C. Johnston, Pablo Alonso‐Coello, Basil Hassouneh, Judy Truong, Neil D. Dattani, Stephen D. Walter, Diane Heels‐Ansdell, Neera Bhatnagar, Douglas G. Altman, Gordon Guyatt

Notice bibliographique

RevueBMJ · 2011
Typereview
Langueen
DomaineDecision Sciences
ThématiqueMeta-analysis and systematic reviews
Établissements canadiensUniversity of ManitobaInstitute for Work & HealthUniversity of TorontoMcMaster University
Organismes subventionnairesNational Institute on AgingInstituto de Salud Carlos IIICanadian Institutes of Health ResearchHospital for Sick ChildrenGottfried und Julia Bangerter-Rhyner-StiftungOntario Ministry of Health and Long-Term CareNational Natural Science Foundation of ChinaEuropean CommissionSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungNational Science Foundation
Mots-clésSubgroup analysisMedicineOdds ratioConfidence intervalRandomized controlled trialMEDLINEClinical trialSample size determinationMeta-analysisFamily medicineInternal medicineStatistics

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: To investigate the impact of industry funding on reporting of subgroup analyses in randomised controlled trials. DESIGN: Systematic review. DATA SOURCES: Medline. STUDY SELECTION: Randomised controlled trials published in 118 core clinical journals (defined by the National Library of Medicine) in 2007. 1140 study reports in a 1:1 ratio by high (five general medicine journals with largest number of total citations in 2007) versus lower impact journals, were randomly sampled. Two reviewers, independently and in duplicate, used standardised, piloted forms to screen study reports for eligibility and to extract data. They also used explicit criteria to determine whether a randomised controlled trial reported subgroup analyses. Logistic regression was used to examine the association of prespecified study characteristics with reporting versus not reporting of subgroup analyses. RESULTS: 469 randomised controlled trials were included, of which 207 (44%) reported subgroup analyses. High impact journals (adjusted odds ratio 2.64, 95% confidence interval 1.62 to 4.33), non-surgical (versus surgical) trials (2.10, 1.26 to 3.50), and larger sample size (3.38, 1.64 to 6.99) were associated with more frequent reporting of subgroup analyses. The strength of association between trial funding and reporting of subgroups differed in trials with and without statistically significant primary outcomes (interaction P=0.02). In trials without statistically significant results for the primary outcome, industry funded trials were more likely to report subgroup analyses (2.29, 1.30 to 4.72) than non-industry funded trials. This was not true for trials with a statistically significant primary outcome (0.79, 0.46 to 1.36). Industry funded trials were associated with less frequent prespecification of subgroup hypotheses (31.3% v 38.0%, adjusted odds ratio 0.49, 0.26 to 0.94), and less use of the interaction test for analyses of subgroup effects (41.4% v 49.1%, 0.52, 0.28 to 0.97) than non-industry funded trials. CONCLUSION: Industry funded randomised controlled trials, in the absence of statistically significant primary outcomes, are more likely to report subgroup analyses than non-industry funded trials. Industry funded trials less frequently prespecify subgroup hypotheses and less frequently test for interaction than non-industry funded trials. Subgroup analyses from industry funded trials with negative results for the primary outcome should be viewed with caution.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,779
score de la tête « metaresearch » (Gemma)0,918
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Méta-épidémiologie (sens large)
Catégories consensuellesMétarecherche, Méta-épidémiologie (sens large)
DomaineSignal candidat: Présentation des résultats · Signal consensuel: Présentation des résultats
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,192
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,7790,918
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,1290,018
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0040,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,891
Tête enseignante GPT0,648
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeRevue systématique
DomainePrésentation des résultats
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations95
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBMJMême sujetMeta-analysis and systematic reviewsTravaux en français237 207