Sample sizes and precision of estimates of sensitivity and specificity from primary studies on the diagnostic accuracy of depression screening tools: a survey of recently published studies
Notice bibliographique
Résumé
Depression screening tools are useful to the extent that they accurately discriminate between depressed and non-depressed patients. Studies without enough patients to generate precise estimates make it difficult to evaluate accuracy. We conducted a survey of recently published studies on depression screening tool accuracy to evaluate the percentage with sample size calculations; the percentage that provided confidence intervals; and precision, based on the width and lower bounds of 95% confidence intervals for sensitivity and specificity. We calculated 95% confidence intervals, if possible, when not provided. Only three of 89 studies (3%) described a viable sample size calculation. Only 30 studies (34%) provided reasonably accurate confidence intervals. Of 86 studies where 95% confidence intervals were provided or could be calculated, only seven (8%) had interval widths for sensitivity of ≤ 10%, whereas 53 (62%) had widths of ≥ 21%. Lower bounds of confidence intervals were < 80% for 84% of studies for sensitivity and 66% of studies for specificity. Overall, few studies on the diagnostic accuracy of depression screening tools reported sample size calculations, and the number of patients in most studies was too small to generate reasonably precise accuracy estimates. The failure to provide confidence intervals in published reports may obscure these shortcomings. Copyright © 2016 John Wiley & Sons, Ltd.
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 | 0,262 | 0,593 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,012 | 0,014 |
| Bibliométrie | 0,016 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».