Discrepancies in self-reported financial conflicts of interest disclosures by physicians: a systematic review
Notice bibliographique
Résumé
Background There is a high prevalence of financial conflicts of interest (COI) between physicians and industry. Objectives To conduct a systematic review with meta-analysis examining the completeness of self-reported financial COI disclosures by physicians, and identify factors associated with non-disclosure. Data sources MEDLINE, Embase and PsycINFO were searched for eligible studies up to April 2020 and supplemented with material identified in the references and citing articles. Data extraction and synthesis Data were independently abstracted by two authors. Data synthesis was performed via systematic review of eligible studies and random-effects meta-analysis. Main outcomes and measures The proportion of discrepancies between physician self-reported disclosures and objective payment data was the main outcome. The proportion of discrepant funds and factors associated with non-disclosure were also examined. Results 40 studies were included. The pooled proportion of COI discrepancies at the article level was 81% (range: 54%–98%; 95% CI 72% to 89%), 79% at the payment level (range: 71%–89%; 95% CI 67% to 89%), 93% at the authorship level (range: 71%–100%; 95% CI 79% to 100%) and 66% at the author level (range: 8%–99%; 95% CI 48% to 78%). The proportion of funds discrepant was 33% (range: 2%–77%; 95% CI 12% to 58%). There was high heterogeneity between studies across all five analyses (I2=94%–99%). Most undisclosed COI were related to food and beverage, or travel and lodging. While the most common explanation for failure to disclose was perceived irrelevance, a median of 45% of non-disclosed payments were directly or indirectly related to the work. A smaller monetary amount was the most common factor associated with nondisclosure. Conclusions Physician self-reports of financial COI are highly discrepant with objective data sources reporting payments from industry. Stronger policies are required to reduce reliance on physician self-reporting of financial COI and address non-compliance.
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 | 0,054 | 0,224 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,011 |
| Bibliométrie | 0,012 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».