Systematic review and simulation study of ignoring clustered data in surgical trials
Notice bibliographique
Résumé
BACKGROUND: Multiple surgical procedures in a single patient are relatively common and lead to dependent (clustered) data. This dependency needs to be accounted for in study design and data analysis. A systematic review was performed to assess how clustered data were handled in inguinal hernia trials. The impact of ignoring clustered data was estimated using simulations. METHODS: PubMed, Embase and the Cochrane Library were reviewed systematically for RCTs published between 2004 and 2013, including patients undergoing unilateral or bilateral inguinal hernia repair. Study characteristics determining the appropriateness of handling clustered data were extracted. Using simulations, various statistical methods accounting for clustered data were compared with an analysis ignoring clustering by assuming 100 hernias, with a varying percentage of patients having bilateral hernias. RESULTS: Of the 50 eligible trials including patients with bilateral hernias, 20 (40 per cent) did not provide information on how they dealt with clustered data and 18 (36 per cent) avoided clustering by assessing the outcome by patient and not by hernia. None of the remaining 12 trials (24 per cent) considered clustering in the design or analysis. In the simulations, ignoring clustering led to an increased type I error rate of up to 12 per cent and to a loss in power of up to 15 per cent, depending on whether the patient or the hernia was the randomization unit. CONCLUSION: Clustering was rarely considered in inguinal hernia trials. The simulations underline the importance of considering clustering as part of the statistical analysis to avoid false-positive and false-negative results, and hence inappropriate study conclusions.
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 | 0,021 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».