P-value and Bayesian analysis in randomized-controlled trials in child health research published in 2007 and 2017: a methodological review
Notice bibliographique
Résumé
Abstract Background Reliance on P-value of significance in clinical trials is a source of debate because of misconceptions and misinterpretations associated with it. Bayesian methods are suggested as an alternative approach. As randomized-controlled trials (RCTs) are essential in generating research evidence, we investigated the change in the use of P-values and Bayesian analysis and the clustering of P-values at key significance levels in child health RCTs published in 2007 and 2017. Methods We searched Cochrane Central Register of Controlled Trials to identify random samples of child health RCTs published in 2007 (n = 300) and 2017 (n = 300). Data on trial characteristics and analytic approaches were extracted. We analyzed the 600 RCTs using the frequentist and Bayesian methods. The change in the proportion of trials reporting P-values and Bayesian analyses was assessed using Pearson/Fisher Exact tests and non-informative Dirichlet priors. Results Of 600 RCTs, 535 (89%) used frequentist methods only versus 65 (11%) that included some Bayesian methods. Only 2 of the 65 trials used Bayesian inferential statistics. The use of frequentist methods decreased from (273, 91% to 262, 87%) while the inclusion of Bayesian analysis slightly increased from (27, 9% to 38, 13%) between 2007 and 2017. Although most RCTs were from Europe (172, 29%) and North America (133, 22%), the increase in proportion of trials by continent was most in Asia (mean difference (MD) = 0.14, 95% credible interval (CI) 0.08–0.20) with posterior probability (PP) of 1.00. Parallel (487, 81.2%) and cluster (58, 9.7%) RCTs were the most common RCT types but the increase in cluster RCT (0.06, 95%CI 0.02–0.11, PP = 0.99) was more than any other RCT types over 10 years. We found clustering of P-values at the significance level of 0.05 (437, 72.8%), which increased between 2007 (209, 69.7%) and 2017 (228, 76%). The smallest P-value reported in this review was 0.0001 (1, 0.2%). Conclusions The statistical framework in child health RCTs has not changed from the frequentist methods that is based on P-values with an unexplained clustering at the significance level of 0.05. Bayesian methods may increase the confidence in interpretation of results of RCTs
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Métarecherche Domaine: Méthodes · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | Métarecherche Domaine: Méthodes · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | medium |
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 | 0,414 | 0,806 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,016 | 0,018 |
| Bibliométrie | 0,026 | 0,029 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,010 | 0,012 |
| Science ouverte | 0,008 | 0,006 |
| Intégrité de la recherche | 0,008 | 0,009 |
| 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».