Statistical primer: individual patient data meta-analysis and meta-analytic approaches in case of non-proportional hazards
Notice bibliographique
Résumé
Individual patient data (IPD) meta-analyses build upon traditional (aggregate data) meta-analyses by collecting IPD from the individual studies rather than using aggregated summary data. Although both traditional and IPD meta-analyses produce a summary effect estimate, IPD meta-analyses allow for the analysis of data to be performed as a single dataset. This allows for standardization of exposure, outcomes, and analytic methods across individual studies. IPD meta-analyses also allow the utilization of statistical methods typically used in cohort studies, such as multivariable regression, survival analysis, propensity score matching, uniform subgroup and sensitivity analyses, better management of missing data, and incorporation of unpublished data. However, they are more time-intensive, costly, and subject to participation bias. A separate issue relates to the meta-analytic challenges when the proportional hazards assumption is violated. In these instances, alternative methods of reporting time-to-event estimates, such as restricted mean survival time should be used. This statistical primer summarizes key concepts in both scenarios and provides pertinent examples.
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 | 0,077 | 0,418 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,010 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,066 | 0,011 |
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 ».