Are Biases Related to Attrition, Missing Data, and the Use of Intention to Treat Related to the Magnitude of Treatment Effects in Physical Therapy Trials?
Notice bibliographique
Résumé
ABSTRACT: The objective of this study was to determine the association between biases related to attrition, missing data, and the use of intention to treat and changes in effect size estimates in physical therapy randomized trials. A meta-epidemiological study was conducted. A random sample of randomized controlled trials included in meta-analyses in the physical therapy discipline were identified. Data extraction including assessments of the use of intention to treat principle, attrition-related bias, and missing data was conducted independently by two reviewers. To determine the association between these methodological issues and effect sizes, a two-level analysis was conducted using a meta-meta-analytic approach. Three hundred ninety-three trials included in 43 meta-analyses, analyzing 44,622 patients contributed to this study. Trials that did not use the intention-to-treat principle (effect size = -0.13, 95% confidence interval = -0.26 to 0.01) or that were assessed as having inappropriate control of incomplete outcome data tended to underestimate the treatment effect when compared with trials with adequate use of intention to treat and control of incomplete outcome data (effect size = -0.18, 95% confidence interval = -0.29 to -0.08).Researchers and clinicians should pay attention to these methodological issues because they could provide inaccurate effect estimates. Authors and editors should make sure that intention-to-treat and missing data are properly reported in trial reports.
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 | 0,645 | 0,878 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,016 | 0,022 |
| Bibliométrie | 0,010 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,007 | 0,004 |
| Intégrité de la recherche | 0,010 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».