Facilitating Prospective Registration of Diagnostic Accuracy Studies: A STARD Initiative
Notice bibliographique
Résumé
Although the introduction of prospective trial registration policies has been successful in reducing waste in research, diagnostic accuracy studies are rarely registered. We describe why diagnostic accuracy studies should be registered, and where and how this can be done. Advantages of registration include the identification of unpublished studies, prevention of selective outcome reporting, prevention of unnecessary duplication of research, collaboration between researchers, and linkage of study materials. In a survey among representatives of 16 major trial registries, such as ClinicalTrials. gov, ANZCTR (Australian New Zealand Clinical Trials Registry), and the UK-based ISRCTN registry (International Standard Randomised Controlled Trial Number), 13 responded, of which 8 (62%) indicated they always accept registration of diagnostic accuracy studies and 5 (38%) do so in some cases. However, all but one of them (92%) indicated that their registry currently does not provide specific guidance for registering diagnostic accuracy studies. A second survey among the 85 members of the STARD Group (Standards for Reporting Diagnostic Accuracy) resulted in the identification of 14 essential protocol items and was used for developing a guide on how these items can be registered in existing major trial registries. We propose that investigators responsible for diagnostic accuracy studies should register their study, before recruiting patients, in 1 of the existing major trial registries that are willing to host such studies. We also propose that governmental, research, and academic institutions that provide funding for and journals that publish diagnostic accuracy studies require such registration. (C) 2017 American Association for Clinical Chemistry
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 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 | 0,072 | 0,924 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes 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 ».