Efficacy of searching in biomedical databases beyond MEDLINE in identifying randomised controlled trials on hyperbaric oxygen treatment
Notice bibliographique
Résumé
Introduction: Literature searches are routinely used by researchers for conducting systematic reviews as well as by healthcare providers, and sometimes patients, to quickly guide their clinical decisions. Using more than one database is generally recommended but may not always be necessary for some fields. This study aimed to determine the added value of searching additional databases beyond MEDLINE when conducting a literature search of hyperbaric oxygen treatment (HBOT) randomised controlled trials (RCTs). Methods: This study consisted of two phases: a scoping review of all RCTs in the field of HBOT, followed by a a statistical analysis of sensitivity, precision, 'number needed to read' (NNR) and 'number unique' included by individual biomedical databases. MEDLINE, Embase, Cochrane Central Register of Control Trials (CENTRAL), and Cumulated Index to Nursing and Allied Health Literature (CINAHL) were searched without date or language restrictions up to December 31, 2022. Screening and data extraction were conducted in duplicate by pairs of independent reviewers. RCTs were included if they involved human subjects and HBOT was offered either on its own or in combination with other treatments. Results: Out of 5,840 different citations identified, 367 were included for analysis. CENTRAL was the most sensitive (87.2%) and had the most unique references (7.1%). MEDLINE had the highest precision (23.8%) and optimal NNR (four). Among included references, 14.2% were unique to a single database. Conclusions: Systematic reviews of RCTs in HBOT should always utilise multiple databases, which at minimum include MEDLINE, Embase, CENTRAL and CINAHL.
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 | 0,013 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,011 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».