Use of Propensity Score Methodology in Contemporary High-Impact Surgical Literature
Notice bibliographique
Résumé
BACKGROUND: Propensity score (PS) analysis is a statistical method commonly used in observational trials to account for confounding. Improper use of PS analysis can bias the effect estimate. The aim of this study is to review the use and reporting of PS methods in high-impact surgical journals with a focus on propensity score matching (PSM). STUDY DESIGN: The 10 surgical journals with the highest impact factors were searched to identify studies using PS analysis from January 1, 2016 to December 14, 2018. We selected evaluation criteria for the conduct of PS analysis based on previous reports. Two authors systematically appraised the quality of reporting of PS analyses. Univariate and multivariate regression was performed to determine the relationship between appropriate use of PSM and study conclusion. RESULTS: Three hundred and three studies using PS analysis were included. Ninety-one percent (n = 275) of studies included the covariates used to generate the PS and 79% (n = 239) included the type of regression model used. Ninety percent (n = 272) of studies did not justify the covariates included in their PS. Eighty-four percent of studies used PSM (n = 254), with 48% (n = 123) failing to assess covariate balance between groups. We found that justification of the selection of covariates included in the PS and the characterization of unmatched patients were both associated with lower odds of the study finding a significant result (odds ratio 0.37; 95% CI 0.16 to 0.87; p = 0.02 and odds ratio 0.35; 95% CI 0.17 to 0.75; p = 0.007, respectively, at multivariate logistic regression). CONCLUSIONS: This study demonstrates that even in research published in high-quality surgical journals, several studies report their PS methodology inadequately. The inadequate conduct of PS analysis can impact a study's conclusion.
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 | 0,252 | 0,605 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,061 | 0,045 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».