Real-world data and evidence in pain research: a qualitative systematic review of methods in current practice
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.
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 | 0,393 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,036 | 0,025 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».