Real-world data and evidence in pain research: a qualitative systematic review of methods in current practice
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The use of routinely collected health data (real-world data, RWD) to generate real-world evidence (RWE) for research purposes is a growing field. Computerized search methods, large electronic databases, and the development of novel statistical methods allow for valid analysis of data outside its primary clinical purpose. Here, we systematically reviewed the methodology used for RWE studies in pain research. We searched 3 databases (PubMed, EMBASE, and Web of Science) for studies using retrospective data sources comparing multiple groups or treatments. The protocol was registered under the DOI:10.17605/OSF.IO/KGVRM. A total of 65 studies were included. Of those, only 4 compared pharmacological interventions, whereas 49 investigated differences in surgical procedures, with the remaining studying alternative or psychological interventions or epidemiological factors. Most 39 studies reported significant results in their primary comparison, and an additional 12 reported comparable effectiveness. Fifty-eight studies used propensity scores to account for group differences, 38 of them using 1:1 case:control matching. Only 17 of 65 studies provided sensitivity analyses to show robustness of their findings, and only 4 studies provided links to publicly accessible protocols. RWE is a relevant construct that can provide evidence complementary to randomized controlled trials (RCTs), especially in scenarios where RCTs are difficult to conduct. The high proportion of studies reporting significant differences between groups or comparable effectiveness could imply a relevant degree of publication bias. RWD provides a potentially important resource to expand high-quality evidence beyond clinical trials, but rigorous quality standards need to be set to maximize the validity of RWE studies.
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.
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 | 0,469 | 0,595 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle