An Introduction to Individual Participant Data Meta-analysis
Notice bibliographique
Résumé
Meta-analysis using individual participant data (IPD-MA) from randomized controlled trials (RCTs) can strengthen evidence used for decision making and is considered the "gold standard" approach. In this study, we present the importance, properties, and main approaches of conducting an IPD-MA. We exemplify the main approaches of conducting an IPD-MA and how these can be used to obtain subgroup effects through estimation of interaction terms. IPD-MA has several benefits over traditional aggregate data (AD) meta-analysis. These include standardization of definitions of outcomes and/or scales, reanalysis of eligible RCTs using the same analysis model across all studies, accounting for missing outcome data, detecting outliers, using participant-level covariates to explore intervention-by-covariate interactions, and tailoring intervention effects to participant characteristics. IPD-MA can be performed in either a 2-stage or 1-stage approach. We exemplify the presented methods using 2 illustrative examples. The first real-life example includes 6 studies assessing sonothrombolysis with or without addition of microspheres against IV thrombolysis alone (i.e., control) in acute ischemic stroke participants with large vessel occlusions. The second real-life example includes 7 studies evaluating the association between blood pressure levels after endovascular thrombectomy and functional improvement of acute ischemic stroke in patients with large vessel occlusion. IPD reviews can be associated with higher quality statistical analysis and may differ from AD reviews. Unlike individual trials that lack power and AD meta-analysis results, which suffer from confounding and aggregation bias, the use of IPD allows us to explore intervention-by-covariate interactions. However, a key limitation of conducting an IPD-MA is retrieval of IPD from original RCTs. Time and resources should be carefully planned before embarking on retrieving IPD.
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 | aucune catégorie Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
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 | 0,187 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,035 | 0,013 |
| Bibliométrie | 0,003 | 0,011 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,013 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,030 |
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.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».