Assessment of Conflicts of Interest in Robotic Surgical Studies
Notice bibliographique
Résumé
BACKGROUND: Accurate conflict of interest (COI) statements are important, as a known COI may invalidate study results due to the potential risk of bias. OBJECTIVE: To determine the accuracy of self-declared COI statements in robotic studies and identify risk factors for undeclared payments. METHODS: Robotic surgery studies were identified through EMBASE and MEDLINE and included if published in 2015 and had at least one American author. Undeclared COI were determined by comparing the author's declared COI with industry reported payments found in the "Open Payments" database for 2013 and 2014. Undeclared payments and discrepancies in the COI statement were determined. Risk factors were assessed for an association with undeclared payments at the author and study level. RESULTS: A total of 458 studies (2253 authors) were included. Approximately, 240 (52%) studies had 1 or more author receive undeclared payments and included 183 where "no COI" was explicitly declared, and 57 with no declaration statement present. Moreover, 21% of studies and 18% of authors with a COI declared it so in a COI statement. Studies that had undeclared payments from Intuitive were more likely to recommend robotic surgery compared with those that declared funding (odds ratio 4.29, 95% confidence interval 2.55-7.21). CONCLUSIONS: We found that it was common for payments from Intuitive to be undeclared in robotic surgery articles. Mechanisms for accountability in COI reporting need to be put into place by journals to achieve appropriate transparency to those reading the journal article.
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 | 0,385 | 0,695 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,026 | 0,021 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».