Comparison of evidence of treatment effects in randomized and nonrandomized studies on allergen immunotherapy
Notice bibliographique
Résumé
Abstract Nonrandomized studies (NRS) on allergen immunotherapy (AIT) particularly lend themselves to evaluate outcomes that are insufficiently addressed in randomized controlled studies (RCTs). However, NRS are prone to several sources of bias, which limit their validity. We aimed at comparing AIT effects between RCTs and NRS and evaluate the reasons for discrepancies in study results. In this analysis, we compared NRS on AIT (including subcutaneous and sublingual immunotherapy, SCIT and SLIT, respectively) with SLIT and SCIT RCTs from published meta‐analyses, assessing the Risk of Bias (RoB) for each study and the certainty of evidence from NRS and RCTs using the GRADE approach. We found: (1) very serious RoB in the 7 NRS included in the meta‐analysis showing a large difference between AIT and controls (standardized mean difference [SMD] for symptom score [SS], −1.77; 95% CI, −2.30, −1.24; p < .001; I 2 = 95%) with very low certainty evidence; (2) serious RoB in the 13 SCIT‐RCTs reporting a moderate‐to‐high difference between SCIT and controls (SMD for SS, −0.81; 95% CI, −1.12, −0.49; p < .001; I 2 = 88%) with moderate certainty evidence; (3) low RoB in the 13 SLIT‐RCTs reporting a small benefit (SMD for SS, −0.28; 95% CI, −0.37, −0.19; p < .001; I 2 = 54.2%) with high certainty evidence. Similar results were reported for medication score. Our evidence is sufficient to conclude that the magnitude of effect estimates of NRS and RCTs directly correlate with the degree of RoB and inversely with the overall evidence certainty. NRS, which are more affected than RCTs by bias resulting in low certainty evidence, showed the largest effect size. Sound NRS are needed to complement 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
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».