Meta-analysis: A practical decision making tool for surgeons
Notice bibliographique
Résumé
BACKGROUND: The exponential rise in published medical research on a yearly basis demands a method to summarise best evidence towards its application to patient care in clinical practice. A robust meta-analysis is a valid tool. It is often considered to be a simple process of pooling results from different studies. This is not true. It appears that surgeons lack a reference guide to help them conduct and appraise a meta-analysis. METHODS: This paper provides a structural framework to perform a meta-analysis. It guides the surgeon on a journey from identification of the correct clinical question to data analysis and through to producing a structured report. Statistical methods are discussed briefly as most commercial software calculates most results in the background. An example of a recent meta-analysis is given. However, important caveats are mentioned as there are limitations of the meta-analytical technique. CONCLUSION: Whereas meta-analyses of homogeneous studies are the highest form of evidence, poorly conducted meta-analyses create confusion and serve to harm the patient. Surgeons practising their art in an era of evidence-based surgery need to understand the principles of meta-analyses.
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 | 0,172 | 0,428 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,005 |
| Méta-épidémiologie (sens large) | 0,012 | 0,012 |
| Bibliométrie | 0,032 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,008 | 0,007 |
| Intégrité de la recherche | 0,006 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,033 | 0,008 |
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 source (Gemma direct ou Codex distillé), 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 ».