Integrating Aggregate-Data and Individual-Patient-Data in Meta-Analysis: An Empirical Assessment and an Alternative Method for the Two-Stage Approach
Notice bibliographique
Résumé
In this study, we compared the efficacy of the overall meta-analysis estimates that used only the available aggregate data (AD) studies against those that combined the available AD and individual patient data (IPD) studies. We introduced some modifications to the existing two-stage method for combining the AD and IPD studies. We evaluated the effects of these modifications on the estimates of the overall treatment effect, and investigated the influence of the number of studies included in the meta-analysis, N, and the ratio of AD: IPD on these estimates. We used percentage relative bias (PRB), root mean-square-error (RMSE), and coverage probability to assess the overall efficiency of these estimates. The results revealed the superiority of estimates from the combined AD: IPD studies over those that utilized only the available AD in terms of both the accuracy and the RMSE. We found that the current method for combining the AD:IPD studies provided poor coverage probabilityand that the proposed methods generated improved coverage probability by more than 40% while maintaining the level of bias and RMSE at par to their existing counterparts. These findings validated the importance of utilizing both the AD and IPD studies whenever they are available, and demonstrated the significance of proper technique for combining these studies in order to obtain better overall estimates.
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 | 0,227 | 0,444 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,019 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».