Ranking treatments in the network meta-analysis should consider the certainty of evidence
Notice bibliographique
Résumé
In a network meta-analysis, Juan Lasa and colleagues 1 Lasa JS Olivera PA Danese S Peyrin-Biroulet L Efficacy and safety of biologics and small molecule drugs for patients with moderate-to-severe ulcerative colitis: a systematic review and network meta-analysis. Lancet Gastroenterol Hepatol. 2022; 7: 161-170 Google Scholar compared biologics and small molecule drugs for the treatment of patients with moderate-to-severe ulcerative colitis and used the surface under the cumulative ranking (SUCRA) method to rank the agents. Based on the SUCRA scores, the authors found that upadacitinib ranked the highest for the induction of clinical remission (SUCRA 0·996) and concluded that upadacitinib was the best performing agent for induction of clinical remission (the primary outcome). 1 Lasa JS Olivera PA Danese S Peyrin-Biroulet L Efficacy and safety of biologics and small molecule drugs for patients with moderate-to-severe ulcerative colitis: a systematic review and network meta-analysis. Lancet Gastroenterol Hepatol. 2022; 7: 161-170 Google Scholar However, when considering the limitations of SUCRA, this conclusion might be inappropriate. Ranking treatments in the network meta-analysis should consider the certainty of evidence – Authors' replyWe thank Meixuan Li and colleagues for their interest in our study1 and for highlighting an interesting topic regarding network meta-analyses and the ranking methods used in many of them. Full-Text PDF
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 | 0,259 | 0,666 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,015 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,011 | 0,017 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,012 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 ».