Reporting Adverse Events in Plastic Surgery: A Systematic Review of Randomized Controlled Trials
Notice bibliographique
Résumé
BACKGROUND: Accurate knowledge of adverse events is critical for evaluation of the safety of interventions. Historically, adverse events in surgical trials have been poorly reported. The objective of this study was to systematically evaluate the reporting of adverse events in randomized controlled trials in the plastic surgery literature. METHODS: Two independent reviewers conducted a systematic search using MEDLINE, Embase, and Scopus of the top seven plastic surgery journals with the highest impact factors. Randomized controlled trials describing a potentially invasive treatment, published between January of 2012 and December of 2016, were included. RESULTS: One hundred forty-five randomized controlled trials involving 10,266 patients were included, of which 30 percent were registered. Anticipated adverse events were clearly defined in 15 percent of trials, and in 70 percent it was not clear who would be documenting adverse events. Furthermore, 72 percent of randomized controlled trials reported the occurrence of adverse events, of which 61 percent failed to report events occurring in the intrainterventional period. Binary logistic regression revealed that funded randomized controlled trials were 4.04 times more likely to report adverse events compared with nonfunded randomized controlled trials (95 percent CI, 1.41 to 10.83; p = 0.009). CONCLUSIONS: The authors' findings suggest the need for reporting standards for adverse events in the plastic surgery literature, as such reporting remains heterogeneous and is lacking rigor. Improved quality and transparency are needed to strengthen evidence-based practice and permit a balanced intervention assessment. This study provides a set of recommendations aimed at improving adverse event reporting.
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 | 0,814 | 0,992 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,325 | 0,090 |
| Bibliométrie | 0,006 | 0,006 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».