Recommendations to Improve Quality of Probiotic Systematic Reviews With Meta-Analyses
Notice bibliographique
Résumé
Importance: Systematic reviews and meta-analyses often report conflicting results when assessing evidence for probiotic efficacy, partially because of the lack of understanding of the unique features of probiotic trials. As a consequence, clinical decisions on the use of probiotics have been confusing. Objective: To provide recommendations to improve the quality and consistency of systematic reviews with meta-analyses on probiotics, so evidence-based clinical decisions can be made with more clarity. Evidence Review: For this consensus statement, an updated literature review was conducted (January 1, 2020, to June 30, 2022) to supplement a previously published 2018 literature search to identify areas where probiotic systematic reviews with meta-analyses might be improved. An expert panel of 21 scientists and physicians with experience on writing and reviewing probiotic reviews and meta-analyses was convened and used a modified Delphi method to develop recommendations for future probiotic reviews. Findings: A total of 206 systematic reviews with meta-analysis components on probiotics were screened and representative examples discussed to determine areas for improvement. The expert panel initially identified 36 items that were inconsistently reported or were considered important to consider in probiotic meta-analyses. Of these, a consensus was reached for 9 recommendations to improve the quality of future probiotic meta-analyses. Conclusions and Relevance: In this study, the expert panel reached a consensus on 9 recommendations that should promote improved reporting of probiotic systematic reviews with meta-analyses and, thereby, assist in clinical decisions regarding the use of probiotics.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».