MétaCan
Menu
Retour à la cohorte
Enregistrement W4391558381 · doi:10.1097/phm.0000000000002444

Intention-to-Treat Analysis in Clinical Research

2024· review· en· W4391558381 sur OpenAlexaff
Susan Armijo‐Olivo, Jordana Barbosa da Silva, Ester Moreira de Castro‐Carletti, Ana Izabela Sobral de Oliveira‐Souza, Elisa Bizetti Pelai, Norazlin Mohamad, Fatemeh Baghbaninaghadehi, Liz Dennett, Jeremy Steen, Dinesh Kumbhare, Nikolaus Ballenberger

Notice bibliographique

RevueAmerican Journal of Physical Medicine & Rehabilitation · 2024
Typereview
Langueen
DomaineDecision Sciences
ThématiqueMeta-analysis and systematic reviews
Établissements canadiensToronto Rehabilitation InstituteUniversity of TorontoUniversity Health NetworkUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMedicineRandomized controlled trialSystematic reviewVariety (cybernetics)Consolidated Standards of Reporting TrialsProtocol (science)Health careMEDLINEAlternative medicineMedical educationApplied psychologyPsychologyComputer scienceSurgery

Résumé

récupéré en direct d'OpenAlex

ABSTRACT: This review presents a comprehensive summary and critical evaluation of intention-to-treat analysis, with a particular focus on its application to randomized controlled trials within the field of rehabilitation. Adhering to the Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines, we conducted a methodological review that encompassed electronic and manual search strategies to identify relevant studies. Our selection process involved two independent reviewers who initially screened titles and abstracts and subsequently performed full-text screening based on established eligibility criteria. In addition, we included studies from manual searches that were already cataloged within the first author's personal database. The findings are synthesized through a narrative approach, covering fundamental aspects of intention to treat, including its definition, common misconceptions, advantages, disadvantages, and key recommendations. Notably, the health literature offers a variety of definitions for intention to treat, which can lead to misinterpretations and inappropriate application when analyzing randomized controlled trial results, potentially resulting in misleading findings with significant implications for healthcare decision making. Authors should clearly report the specific intention-to-treat definition used in their analysis, provide details on participant dropouts, and explain upon their approach to managing missing data. Adherence to reporting guidelines, such as the Consolidated Standards of Reporting Trials for randomized controlled trials, is essential to standardize intention-to-treat information, ensuring the delivery of accurate and informative results for healthcare decision making.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,513
score de la tête « metaresearch » (Gemma)0,744
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: Méthodes
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,487
Score d'incertitude au seuil0,601

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,5130,744
Méta-épidémiologie (sens strict)0,0030,003
Méta-épidémiologie (sens large)0,0170,018
Bibliométrie0,0160,016
Études des sciences et des technologies0,0020,008
Communication savante0,0110,008
Science ouverte0,0060,004
Intégrité de la recherche0,0070,010
Charge utile insuffisante (le modèle a refusé de juger)0,0120,003

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.

Tête enseignante Opus0,791
Tête enseignante GPT0,710
Écart entre enseignants0,081 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
DomaineMéthodes
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Physical Medicine & RehabilitationMême sujetMeta-analysis and systematic reviewsTravaux en français237 207