Methodological Challenges when Using Routinely Collected Health Data for Research: A scoping review.
Notice bibliographique
Résumé
Routinely collected health data (RCD) including electronic health records, disease registries, health administrative data and wearables data are not specifically collected for research purposes. Analysis of these data poses unique methodological challenges that must be addressed when conducting research, particularly as availability and use increase. This scoping review aimed to identify methodological challenges in research using RCD from existing literature (registered protocol: https://doi.org/10.17605/OSF.IO/EBM4D). We searched 6 electronic databases, including medical, health economics, nursing and psychology research databases, between Jan 2015 and Jan 2023, combining multiple “RCD” and “research” search terms (e.g., epidemiologic, informatics, pharmaceutical research). After screening abstracts and full-texts, we doubly extracted methodological themes, categorizing them into different study stages. We screened more than 23,000 records and included 430 papers. Bias and confounding were the most common methodological issues identified, discussed in relation to both study design and data analysis. Data quality, including data accuracy, validation, completeness, timeliness and cleaning, also posed substantial challenges, particularly during data processing stage. Record linkage and conducting analyses using distributed health networks also pose unique methodological challenges. Heterogeneity, incorporating social determinants of health and statistical models that address methodological challenges are also described in the literature. External validity and reporting are important considerations for RCD research. Our review identified several methodological challenges facing researchers using RCD. These issues should be addressed to ensure methodologically sound research. These findings will inform the development of a standardized protocol template and accompanying educational platform aimed at enhancing methodological quality and transparency when conducting research using RCD.
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 | 0,047 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».