Individual Participant Data Meta-Analyses for Diagnostic Accuracy Research: Challenges and Lessons Learned from the LI-RADS IPD Group
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
I ndividual participant data (IPD) meta-analysis is a power- ful tool for analyzing and synthesizing data.Whereas conventional meta-analysis synthesizes aggregate data extracted from study manuscripts, where each row of data corresponds to one study, an IPD meta-analysis collects raw data from study authors to create a database where each row of data corresponds to one participant or observation (1,2).There are several advantages to IPD meta-analysis, including improved data quality, data validation, consistent data analysis at the participant level, and the ability to perform more powerful analyses, such as assessing interactions between variables (2).However, IPD meta-analyses are more complex and resource-intensive, require a multidisciplinary team, and take longer to complete.In this editorial, we introduce the concept of IPD metaanalysis and outline its benefits and disadvantages for diagnostic accuracy research.We discuss some challenges faced by the Liver Imaging Reporting and Data System (LI-RADS) (3) IPD group (https://osf.io/tdv7j/wiki/Who%20are%20we/) in developing such a database and how these challenges have been addressed to conduct IPD meta-analyses (4).Methodologic guidance for IPD meta-analysis is not discussed but is available elsewhere (1).
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.
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 | 0,204 | 0,541 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,000 |
| Science ouverte | 0,009 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle