Performance of model‐based network meta‐analysis (MBNMA) of time‐course relationships: A simulation study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Time-course model-based network meta-analysis (MBNMA) has been proposed as a framework to combine treatment comparisons from a network of randomized controlled trials reporting outcomes at multiple time-points. This can explain heterogeneity/inconsistency that arises by pooling studies with different follow-up times and allow inclusion of studies from earlier in drug development. The aim of this study is to explore using simulation: (a) how MBNMA model parameters are affected by the quantity/location of observed time-points across studies/comparisons, (b) how reliably an appropriate MBNMA model can be identified, (c) the robustness of model estimates and predictions under different dataset characteristics. Our results indicate that model parameters for a given treatment comparison are estimated with low mean bias even when no direct evidence was available, provided there was sufficient indirect evidence to estimate the time-course. A staged model selection strategy that selects time-course function, then heterogeneity, then covariance structure, identified the true model most reliably and efficiently. Predictions and parameter estimates from selected models had low mean bias even in the presence of high heterogeneity/correlation between time-points. However, failure to properly account for heterogeneity/correlation could lead to high error in precision of the estimates. Time-course MBNMA provides a statistically robust framework for synthesizing direct and indirect evidence to estimate relative effects and predicted mean responses whilst accounting for time-course and incorporating correlation and heterogeneity. This supports the use of MBNMA in evidence synthesis, particularly when additional studies are available with follow-up times that would otherwise prohibit their inclusion by conventional meta-analysis.
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.
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 | 0,491 | 0,189 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,004 |
| Bibliométrie | 0,001 | 0,013 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 découle