Risk of Bias in Liver Imaging Reporting and Data System Studies Using QUADAS-2
Notice bibliographique
Résumé
Purpose: Use a tailored version of the Quality Assessment of Diagnostic Accuracy Studies tool to evaluate risk of bias and applicability across LIRADS related publications. Method: A tailored QUADAS-2 tool was created through consensus approach to assess risk of bias and applicability across 37 LI-RADS related publications. Studies were selected from 2017 to 2022 using the assistance of experienced hospital librarians to search for studies evaluating the diagnostic accuracy of CT, MRI, or contrast-enhanced ultrasound for HCC using LI-RADS through multiple different databases. QUADAS-2 assessments were performed in duplicate and independently by 2 authors with experience using the QUADAS-2 tool. Disagreements were resolved with a third expert reviewer. Consensus QUADAS-2 assessments were tabulated for each domain. Results: Using the tailored QUADAS-2 tool, 31 of the 37 included LI-RADS studies were assessed as high risk of bias, and 9 out of 37 studies demonstrated concerns for applicability. Patient selection (21 out of 37 studies) and flow/timing (24 out of 37 studies) domains demonstrated the highest risk of bias. 6 out of 37 studies in the index domain demonstrated high risk of bias. 2 out of 37 studies showed high risk of bias in the reference standard domain. Conclusion: A significant proportion of LI-RADS research is at risk of bias with concerns for applicability. Identifying risk of bias in such research is essential to recognize limitations of a study that may affect the validity of the results. Areas for improvement in LI-RADS research include reducing selection bias, avoiding inappropriate exclusions, and decreasing verification bias.
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 | 0,699 | 0,828 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,027 |
| Bibliométrie | 0,045 | 0,029 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,012 | 0,008 |
| Science ouverte | 0,006 | 0,014 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».