Editorial comment on discussion: ‘Which specific modes of exercise training are most effective for treating low back pain? Network meta-analysis’
Notice bibliographique
Résumé
The BJSM recently published1 a network meta-analysis (NMA) on the effect of different modes of exercise training in patients with chronic non-specific low back pain. The emergence of NMA in sport and exercise medicine2 represents important strides towards a ‘shift in what constitutes the highest level of medical evidence’.3 Given the novelty of NMA, frank scientific debate about strengths and limitations is a good thing. A discussion article by Maher and colleagues posed questions about the published NMA.4 As part of our due diligence at BJSM, we posted an Expression of Concern5 on the basis of the Maher et al ’s comments—we flagged that there were questions and we wanted time to consider those questions. An Expression of Concern merely flags to readers that the journal is taking a query seriously. The authors of the NMA addressed all of Maher’s points6 and BJSM recently broadcast the findings of the NMA with an Infographic.7 We also posted a podcast about the NMA and related research https://soundcloud.com/bmjpodcasts/what-are-the-best-exercises-to-manage-low-back-pain-with-aprof-daniel-belavy-episode-443?in=bmjpodcasts/sets/bjsm-1 …
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 | 0,023 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,035 | 0,030 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,016 |
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 ».