Improving the quality of systematic reviews of neurological conditions: an assessment of current practice and the development and validation of six new search strategies
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Our aim was to study the quality of the literature search strategies used in recent systematic reviews and to develop and assess the diagnostic accuracy of six new search strategies (i.e. hedges). METHODS: Six neurological conditions were studied: migraine, stroke, dementia, epileptic seizures, Parkinson's disease and multiple sclerosis. Two reviewers independently assessed the quality of the search strategies used in systematic reviews published in 2015-2016. Complex hedges pertaining to the six conditions for use in Ovid MEDLINE were developed. Their diagnostic accuracy was compared to simple, single-term keyword searches. RESULTS: Almost 60% of quality criteria for the overall literature search strategy used in 182 systematic reviews were not respected. Over 30% of search strategies relied on a single keyword to identify the neurological condition. The sensitivities of our complex hedges amongst 10 311 articles were between 83% and 95%, significantly higher than the simple keyword searches (as low as 48%). The specificities were greater than 97%. CONCLUSIONS: There is great room for improvement in the search strategies used in systematic reviews of neurological conditions. Complex hedges were developed and validated to improve the accuracy of such searches. It is expected that this will lead to higher quality systematic reviews and meta-analyses.
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 | 0,658 | 0,839 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,014 | 0,022 |
| Bibliométrie | 0,059 | 0,037 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,012 | 0,014 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».