The trials of interpreting clinical trials A Bayesian perspective
Notice bibliographique
Résumé
Background: Evidence based medicine (EBM) paradigm places systematic reviews and metaanalyses,ideally of randomized clinical trials (RCTs), at the top of the evidential pyramid.However, resolving situations with “conflicting” or “missing” evidence can be problematic.Methods: This is a case-based review of Bayesian techniques to assist in optimizing the interpretationof well performed RCTs with conflicting evidence. Using the example of cochicinein post acute myocardial infarction subjects, it is demonstrated how these techniques avoidcommon interpretative cognitive biases, provide additional analytical nuances, and therebyenhancing the original published conclusions.Results: A previous RCT (n=4745) had claimed a reduction in cardiovascular (CV) withcolchicine (p=0.02). A more recent and larger RCT (n=7062) concluded that colchicine “didnot reduce the incidence of CV events (p=0.93)”. This Bayesian analysis suggests that theeffect of colchicine is indeterminate with a probability of a clinically meaningful benefit, definedas a 10% reduction in the relative risk, that varies between 13% and 41% depending onwhether the earlier study is ignored or considered.Conclusions: If the trials are of equal high quality, conflicts are often illusory arising from theimproper comparisons of statistical significance. Current statistical approaches which ignoreprior evidence and rely on null hypothesis significance testing lead to vacillating beliefs thatdo not always faithfully respect the laws of probability and consequently may not align withthe true state of knowledge. Bayesian techniques can address these issues and raise the qualityof clinical trial interpretations.
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 | 0,409 | 0,614 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,004 |
| Bibliométrie | 0,016 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,047 |
| Communication savante | 0,020 | 0,022 |
| Science ouverte | 0,010 | 0,008 |
| Intégrité de la recherche | 0,018 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».