Systematic Analysis of Publication Bias in Neurosurgery Meta-Analyses
Notice bibliographique
Résumé
BACKGROUND: Statistically significant positive results are more likely to be published than negative or insignificant outcomes. This phenomenon, also termed publication bias, can skew the interpretation of meta-analyses. The widespread presence of publication bias in the biomedical literature has led to the development of various statistical approaches, such as the visual inspection of funnel plots, Begg test, and Egger test, to assess and account for it. OBJECTIVE: To determine how well publication bias is assessed for in meta-analyses of the neurosurgical literature. METHODS: A systematic search for meta-analyses from the top neurosurgery journals was conducted. Data relevant to the presence, assessment, and adjustments for publication bias were extracted. RESULTS: The search yielded 190 articles. Most of the articles (n = 108, 56.8%) were assessed for publication bias, of which 40 (37.0%) found evidence for publication bias whereas 61 (56.5%) did not. In the former case, only 11 (27.5%) made corrections for the bias using the trim-and-fill method, whereas 29 (72.5%) made no correction. Thus, 111 meta-analyses (58.4%) either did not assess for publication bias or, if assessed to be present, did not adjust for it. CONCLUSION: Taken together, these results indicate that publication bias remains largely unaccounted for in neurosurgical meta-analyses.
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 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 | 0,278 | 0,353 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,080 | 0,070 |
| Bibliométrie | 0,022 | 0,056 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,049 | 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; les deux têtes enseignantes 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 ».