Depression screening tool accuracy individual participant data meta-analyses: data contribution was associated with multiple factors
Notice bibliographique
Résumé
OBJECTIVES: To examine the proportion of eligible primary studies that contributed data, study characteristics associated with data contribution, and reasons for noncontribution using diagnostic test accuracy Individual Participant Data Meta-Analysis (IPDMA) data sets from the DEPRESsion Screening Data project. STUDY DESIGN AND SETTING: We reviewed data set contributions from four IPDMAs. A multivariable logistic regression model was fitted to evaluate study factors associated with data contribution. RESULTS: Of 456 eligible studies from four included IPDMAs, 295 (65%) contributed data. More recent year of publication and higher journal impact factor were associated with greater odds of data contribution. Studies conducted in Europe (excluding the United Kingdom), Oceania, Canada, the Middle East, Africa, and Central or South America (reference = the United States), that have recruitment from inpatient care or nonmedical settings (reference = outpatient), that reported screening accuracy results, or that drew negative conclusions (reference = positive conclusions) were more likely to contribute data. Studies of the Geriatric Depression Scale (reference = the Patient Health Questionnaire) or lacking funding information were negatively associated with data contribution. Over 80% of noncontributions were due to authors being unreachable or data being unavailable. CONCLUSION: The study identified factors associated with data contribution that may support future research to promote data contribution to IPDMAs.
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 | 0,070 | 0,221 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,014 | 0,065 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,005 |
| 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».