Transparent reporting on multi-site studies about algorithms for linked health data: A systematic review of Health Data Research Network Canada’s Algorithms Inventory
Notice bibliographique
Résumé
ObjectiveMulti-site studies that use routinely-collected, linked health data often rely on validated algorithms to harmonize definitions of health conditions or other population characteristics across sites. If algorithm validation is not practicable, feasibility studies that assess whether an algorithm can be consistently and accurately implemented across sites, are recommended. We investigated the transparency of reporting on multi-site algorithm feasibility studies found in Health Data Research Network (HDRN) Canada’s Algorithms Inventory. ApproachPublished, multi-site Canadian feasibility studies about chronic or infectious disease algorithms were assessed using an adaptation of the RECORD (REporting of studies Conducted using Observational Routinely collected health Data) and STROBE (STrengthening the Reporting of OBservational studies in Epidemiology) guidelines. Reviewers were trained on a subset of studies. The remainder were independently assessed by two reviewers and quality checks were conducted. Results were descriptively summarized. ResultsThirty published multi-site algorithm feasibility studies were reviewed; the majority were conducted in four or more sites, and 83% assessed chronic disease algorithms. Almost one-fifth (17%) of the studies did not justify the methods used to assess algorithm feasibility. However, the majority (>95%) addressed potential sources of bias and discussed algorithm generalizability. ConclusionsWe observed accurate and complete reporting of most elements of multi-site algorithm feasibility studies conducted in Canada. These studies provided important information about availability of data elements, generalizability, and potential algorithm uses. ImplicationsTransparent reporting of algorithm feasibility studies facilitates algorithm reuse, enhances the credibility and reproducibility of study findings, and promotes collaboration within the data linkage community.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Métarecherche Domaine: Présentation des résultats · Genre: Synthèse Porte sur le système de recherche canadien: oui · Porte sur un sujet canadien: oui | Revue systématique | low |
| gpt | Métarecherche Domaine: Présentation des résultats · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: oui | Revue systématique | low |
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 | 0,116 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,011 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».