MétaCan
Menu
← Retour à la cohorte
Enregistrement W2617973162 · doi:10.1101/144071

The influence of study characteristics on coordinate-based fMRI meta-analyses

2017· preprint· en· W2617973162 sur OpenAlexaff
Han Bossier, Ruth Seurinck, Simone Kühn, Tobias Banaschewski, Gareth J. Barker, Arun L.W. Bokde, Jean‐Luc Martinot, Hervé Lemaître, Tomáš Paus, Sabina Millenet, Beatrijs Moerkerke

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2017
Typepreprint
Langueen
DomaineNeuroscience
ThématiqueFunctional Brain Connectivity Studies
Établissements canadiensBaycrest HospitalUniversity of Toronto
Organismes subventionnairesMedical Research CouncilVetenskapsrådetVlaams Supercomputer CentrumFonds Wetenschappelijk OnderzoekSvenska Forskningsrådet FormasVlaamse regeringSouth London and Maudsley NHS Foundation TrustUniversiteit GentEuropean CommissionKing's College LondonNational Institute for Health and Care ResearchEU Joint Programme – Neurodegenerative Disease Research
Mots-clésMeta-analysisRandom effects modelStatisticsResamplingComputer scienceEconometricsFalse positive paradoxReliability (semiconductor)MathematicsMedicine

Résumé

récupéré en direct d'OpenAlex

Abstract Given the increasing amount of neuroimaging studies, there is a growing need to summarize published results. Coordinate-based meta-analyses use the locations of statistically significant local maxima with possibly the associated effect sizes to aggregate studies. In this paper, we investigate the influence of key characteristics of a coordinate-based meta-analysis on (1) the balance between false and true positives and (2) the reliability of the outcome from a coordinate-based meta-analysis. More particularly, we consider the influence of the chosen group level model at the study level (fixed effects, ordinary least squares or mixed effects models), the type of coordinate-based meta-analysis (Activation Likelihood Estimation, fixed effects and random effects meta-analysis) and the amount of studies included in the analysis (10, 20 or 35). To do this, we apply a resampling scheme on a large dataset ( N = 1400) to create a test condition and compare this with an independent evaluation condition. The test condition corresponds to subsampling participants into studies and combine these using meta-analyses. The evaluation condition corresponds to a high-powered group analysis. We observe the best performance when using mixed effects models in individual studies combined with a random effects meta-analysis. This effect increases with the number of studies included in the meta-analysis. We also show that the popular Activation Likelihood Estimation procedure is a valid alternative, though the results depend on the chosen threshold for significance. Furthermore, this method requires at least 20 to 35 studies. Finally, we discuss the differences, interpretations and limitations of our results.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,445
score de la tête « metaresearch » (Gemma)0,697
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens large)
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: Méthodes
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,992
Score d'incertitude au seuil0,684

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,4450,697
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0080,026
Bibliométrie0,0060,009
Études des sciences et des technologies0,0020,004
Communication savante0,0060,006
Science ouverte0,0050,003
Intégrité de la recherche0,0040,006
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,107
Tête enseignante GPT0,315
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeMéta-analyse
DomaineMéthodes
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)→Même sujetFunctional Brain Connectivity Studies→Travaux en français237 207→