Bias in Peripheral Depression Biomarkers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: To aid in the differentiation of individuals with major depressive disorder (MDD) from healthy controls, numerous peripheral biomarkers have been proposed. To date, no comprehensive evaluation of the existence of bias favoring the publication of significant results or inflating effect sizes has been conducted. METHODS: Here, we performed a comprehensive review of meta-analyses of peripheral nongenetic biomarkers that could discriminate individuals with MDD from nondepressed controls. PubMed/MEDLINE, EMBASE, and PsycINFO databases were searched through April 10, 2015. RESULTS: From 15 references, we obtained 31 eligible meta-analyses evaluating biomarkers in MDD (21,201 cases and 78,363 controls). Twenty meta-analyses reported statistically significant effect size estimates. Heterogeneity was high (I2 ≥ 50%) in 29 meta-analyses. We plausibly assumed that the true effect size for a meta-analysis would equal the one of its largest study. A significant summary effect size estimate was observed for 20 biomarkers. We observed an excess of statistically significant studies in 21 meta-analyses. The summary effect size of the meta-analysis was higher than the effect of its largest study in 25 meta-analyses, while 11 meta-analyses had evidence of small-study effects. CONCLUSIONS: Our findings suggest that there is an excess of studies with statistically significant results in the literature of peripheral biomarkers for MDD. The selective publication of 'positive studies' and the selective reporting of outcomes are possible mechanisms. Effect size estimates of meta-analyses may be inflated in this literature.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| 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 | 0,001 | 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 découle