Neurointerventional surveys between 2000 and 2023: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Surveys are increasingly used in neurointervention to gauge physicians' and patients' attitudes, practice patterns, and 'real-world' treatment strategies, particularly in conditions for which few, or no evidence-based, recommendations exist. While survey-based studies can provide valuable insights into real-world problems and management strategies, there is an inherent risk of bias. OBJECTIVE: To assess key themes, sample characteristics, response metrics, and report frequencies of quality indicators of neurointerventional surveys. METHODS: A systematic review compliant with the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guideline was performed. The PubMed database was searched for neurointerventional surveys published between 2000 and 2023. Survey topics, design, respondent characteristics, and survey quality criteria suggested by the Consensus-Based Checklist for Reporting of Survey Studies (CROSS) were assessed and described using descriptive statistics. Response rates and numbers of participants were further assessed for their dependence on sample characteristics and survey methodologies. RESULTS: A total of 122 surveys were included in this analysis. The number of surveys published each year increased steeply between 2000 (n=1) and 2023 (n=14). The most common survey topics were stroke (51/122, 41.8%) and aneurysm treatment (49/122, 40.2%). The median response rate was 58.5% (IQR=30.4-86.3), with a median number of respondents of 79 (IQR=50-201). Sixty-eight of 122 (55.7%) surveys published the questionnaire used for data collection. Only a subset of studies reported response rates (n=89, 73%), data collection time period (n=91, 74.6%), and strategies to prevent duplicate responses (n=57, 46.7%). CONCLUSION: Surveys are increasingly used by neurointerventional researchers, particularly to assess real-world practice patterns in endovascular stroke and aneurysm treatment. Adapting best-practice guidelines like the CROSS checklist might improve homogeneity and quality in neurointerventional survey research.
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 | 0,047 | 0,157 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,010 |
| Bibliométrie | 0,021 | 0,025 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».