Systematic review of applied transportability and generalizability analyses: A landscape analysis
Notice bibliographique
Résumé
Transportability and generalizability analysis are novel causal inference methods that quantitatively assess external validity. Currently, it is unclear how these analyses are applied in practice. To characterize applications and methods, we conducted a landscape analysis of applied transportability and generalizability analyses using a systematic literature search of PubMed, CINAHL and Embase supplemented with hand-searches. We identified 68 publications describing transportability and generalizability analyses conducted with 83 unique source-target dataset pairs and reporting 99 distinct analyses. The majority of source and target datasets were collected in the US (n = 63/83, 75.9 %; and n = 59/83, 71.1 %, respectively). These methods were most often applied to transport RCT findings to observational studies (n = 38/83; 45.8 %), or to another RCT (n = 20/83; 24.1 %). Several studies used transportability analysis outside the standard application, for example to identify effect modifiers or calibrate measurements within an RCT. Methods that used weights and individual-level patient data were most common (n = 56/99, 56.5 %; n = 80/83, 96.4 %, respectively). Reporting quality varied across studies. Transportability analysis has a wide range of applications including supporting decision-making by improving evidence relevance and improving trial design by identifying contextual effect modifiers and calibrating outcome measurements. Efforts are needed to standardize analysis and reporting of these methods to improve transparency and uptake.
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 | 0,393 | 0,708 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,013 | 0,029 |
| Bibliométrie | 0,043 | 0,052 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,010 | 0,011 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,003 |
| 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 ».