Risk of bias from inclusion of patients who already have diagnosis of or are undergoing treatment for depression in diagnostic accuracy studies of screening tools for depression: systematic review
Notice bibliographique
Résumé
OBJECTIVES: To investigate the proportion of original studies included in systematic reviews and meta-analyses on the diagnostic accuracy of screening tools for depression that appropriately exclude patients who already have a diagnosis of or are receiving treatment for depression and to determine whether these systematic reviews and meta-analyses evaluate possible bias from the inclusion of such patients. DESIGN: Systematic review. DATA SOURCES: Medline, PsycINFO, CINAHL, Embase, ISI, SCOPUS, and Cochrane databases were searched from 1 January 2005 to 29 October 2009. ELIGIBILITY CRITERIA FOR SELECTING STUDIES: Systematic reviews and meta-analyses in any language that reported on the diagnostic accuracy of screening tools for depression. RESULTS: Only eight of 197 (4%) unique publications from 17 systematic reviews and meta-analyses specifically excluded patients who already had a diagnosis of or were receiving treatment for depression. No systematic reviews or meta-analyses commented on possible bias from the inclusion of such patients, even though 10 reviews used quality assessment tools with items to rate risk of bias from composition of the sample of patients. CONCLUSIONS: Studies of the accuracy of screening tools for depression rarely exclude patients who already have a diagnosis of or are receiving treatment for depression, a potential bias that is not evaluated in systematic reviews and meta-analyses. This could result in inflated estimates of accuracy on which clinical practice and preventive care guidelines are often based, a problem that takes on greater importance as the rate of diagnosed and treated depression in the population increases.
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 | 0,001 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».