Analysis of recurrent events: a systematic review of randomised controlled trials of interventions to prevent falls
Notice bibliographique
Résumé
RATIONALE: there are several well-developed statistical methods for analysing recurrent events. Although there are guidelines for reporting the design and methodology of randomised controlled trials (RCTs), analysis guidelines do not exist to guide the analysis for RCTs with recurrent events. Application of statistical methods that do not account for recurrent events may provide erroneous results when used to test the efficacy of an intervention. It is unknown what proportion of RCTs of falls prevention studies have utilised statistical methods that incorporate recurrent events. METHODS: we conducted a systematic review of RCTs of interventions to prevent falls in community-dwelling older persons. We searched Medline from 1994 to November 2006. We determined the proportion of studies that reported using three statistical methods appropriate for the analysis of recurrent events (negative binomial regression, Andersen-Gill extension of the Cox model and the WLW marginal model). RESULTS: fewer than one-third of 83 papers that reported falls as an outcome utilised any appropriate statistical method (negative binomial regression, Andersen-Gill extension of the Cox model and Cox marginal model) to analyse recurrent events and fewer than 15% utilised graphical methods to represent falls data. CONCLUSION: RCTs that have a recurrent event end-point should include an analysis appropriate for recurrent event data such as negative binomial regression, Andersen-Gill extension of the Cox model and/or the WLW marginal model. We recommend that researchers and clinicians seek consultation with a statistician with expertise in recurrent event methodology.
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 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 | 0,010 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,019 | 0,007 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».