A statistical primer on subgroup analyses
Notice bibliographique
Résumé
Resources for clinical research are limited. With increasing demand for patient-centred care, which is growing into an integral component of modern medicine, studying outcomes of patients with specific clinical characteristics is becoming increasingly important. Given the high cost of clinical trials and the time it takes to complete an investigation, it has become compulsory for investigators to assess not only treatment effects between the main randomized groups but also to try to identify clinically relevant subgroups that may particularly benefit from specific treatments. Publications of subgroup analyses turned out to be prevalent, and more importantly, these findings play a significant role in strategic planning and decision-making processes. Therefore, raising awareness among clinicians about the concepts and values of subgroup analysis is an aspect of improving patient outcomes. In this statistical primer, we give a broad introduction to the topic of subgroup analysis in scientific research. We furthermore discuss the concept of subgroup analysis; the motivation for assessing subgroups; the types of subgroup analyses and the paradigm of hypothesis-generating research; the proper statistical methods for the examination of subgroup effects; and the optimal approach for interpretation of results. Finally, this review establishes the comprehensive users' guide for analysing and reporting subgroup studies on a point-by-point basis, using real-world examples that may help readers to gain experience to pursue their own subgroup analyses or interpret those of others.
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 | 0,173 | 0,339 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,010 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,009 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».