Use of Minimal Important Difference for Patient-Reported Outcome Measures in Plastic Surgery: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND: The minimal important difference (MID) is vital to consider when interpreting the clinical importance of observed changes from surgical interventions assessed by patient-reported outcome measures (PROMs). There is no accepted standard for how to calculate MIDs, and uptake in the plastic surgery literature is unknown, leading to methodologic and interpretation issues. METHODS: Medline and Embase were searched to identify all plastic surgery randomized controlled trials (RCTs) using PROMs as outcomes and MID estimation studies for PROMs used by RCTs. Included studies were assessed for uptake and application of MIDs, and MID estimation methodology and values were categorized. RESULTS: A total of 554 RCTs using PROMs as outcomes were identified. Of these, 419 RCTs had the possibility of incorporating a previously published MID. The uptake rate of MIDs was 11.5% ( n = 48 of 419). The most common ways MIDs were applied were to calculate sample size (37.5%) or to determine whether results were clinically important (35.4%). A total of 99 studies estimating MID values for the most common PROMs in plastic surgery, based on our review, were analyzed. The most common estimation methodologies were receiver operating characteristic curve analysis (49%), change difference (31%), and SD (25%). CONCLUSIONS: This review highlights limited uptake and application of MIDs in plastic surgery. The authors propose 4 major barriers: (1) no repository of published MIDs for PROMs used in plastic surgery exists; (2) available MIDs are not specific to plastic surgery populations; (3) high heterogeneity in MID estimation methodology was present; and (4) there are wide ranges in MID values, with no superior choice identified.
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 | 0,001 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,003 |
| Bibliométrie | 0,002 | 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 | 0,001 | 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 ».