Risk of bias assessment of randomised controlled trials in high-impact ophthalmology journals and general medical journals: a systematic review
Notice bibliographique
Résumé
Evidence-based treatments in ophthalmology are often based on the results of randomised controlled trials. Biased conclusions from randomised controlled trials may lead to inappropriate management recommendations. This systematic review investigates the prevalence of bias risk in randomised controlled trials published in high-impact ophthalmology journals and ophthalmology trials from general medical journals. Using Ovid MEDLINE, randomised controlled trials in the top 10 high-impact ophthalmology journals in 2015 were systematically identified and critically appraised for the prevalence of bias risk. Included randomised controlled trials were assessed in all domains of bias as defined by the Cochrane Collaboration. In addition, the prevalence of conflict of interest and industry sponsorship was investigated. A comparison with ophthalmology articles from high-impact general medical journals was performed. Of the 259 records that were screened from ophthalmology-specific journals, 119 trials met all inclusion criteria and were critically appraised. In total, 29.4% of domains had an unclear risk, 13.8% had a high risk and 56.8% had a low risk of bias. In comparison, ophthalmology articles from general medical journals had a lower prevalence of unclear risk (17.1%), higher prevalence of high risk (21.9%) and a higher prevalence of low risk domains (61.9%). Furthermore, 64.7% of critically appraised trials from ophthalmology-specific journals did not report any conflicts of interest, while 70.6% did not report an industry sponsor of their trial. In closing, it is essential that authors, peer reviewers and readers closely follow published risk of bias guidelines.
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 | 0,140 | 0,118 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,038 | 0,005 |
| Bibliométrie | 0,001 | 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 | 0,004 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».