Meta-Analyses in Plastic Surgery: Can We Trust Their Results?
Notice bibliographique
Résumé
BACKGROUND: Meta-analyses are common in the plastic surgery literature, but studies concerning their quality are lacking. The authors assessed the overall quality of meta-analyses in plastic surgery, and attempted to identify variables associated with scientific quality. METHODS: A systematic review of meta-analyses published in seven plastic surgery journals between 2007 and 2017 was undertaken. Publication descriptors and methodologic details were extracted. Articles were assessed using the following two instruments: A Measurement Tool to Assess Systematic Reviews (AMSTAR) and AMSTAR 2. RESULTS: Seventy-four studies were included. The number of meta-analyses per year increased. Most meta-analyses assessed a single intervention (59.5 percent), and pooled a mean of 20.9 studies (range, two to 134), including a mean of 2463 patients (range, 44 to 14,884). Most meta-analyses were published in Plastic and Reconstructive Surgery (44.6 percent) and included midlevel evidence (II to IV) primary studies. Only 16.2 percent of meta-analyses included randomized controlled trials. Meta-analyses generally reported positive (81.1 percent) and significant results (77.0 percent). Median AMSTAR score was 7 of 11 (interquartile range, 5 to 8). Higher AMSTAR scores correlated with more recent meta-analyses that provided a rationale for statistical pooling, and appropriately managed methodologic heterogeneity (r = 0.66; p < 0.01). CONCLUSIONS: Despite an increase in number and quality, meta-analyses are at high risk of bias because of the low level of evidence of included primary studies and heterogeneity within and between primary studies. Plastic surgeons should be aware of the pitfalls of conducting and interpreting 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 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 | 0,117 | 0,397 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,068 | 0,038 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,009 |
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 ».