Win Ratio in Biomedical Science: A Bibliometric Analysis
Notice bibliographique
Résumé
Background: The win ratio (WR), introduced in 2012, has emerged as a method to analyze hierarchical composite outcomes by prioritizing clinically significant events, unlike traditional composite time-to-event analyses, which treat events equally. However, use of the WR in biomedical research beyond cardiovascular trials remains unexplored. The study aims to investigate trends in the use of the WR in biomedical research and determine the characteristics of these articles. Methods: Biomedical articles indexed in Web of Science and PubMed were retrieved for 2012-2024. Data extraction included bibliometric information and content details. Statistical analyses utilized descriptive statistics, correlation, and linear regression to assess publication trends and the distribution of WR methodologies across disciplines. Results: A total of 82 studies were analyzed. Publication counts using the WR have grown significantly since its introduction, with an annual compounded growth rate of 30.2%. Most articles were randomized controlled trials (n = 68; 82.9%). Of the 68 randomized controlled trials, 46 (67.6%) were in the field of cardiology. The unmatched WR was the predominant WR approach (n = 57; 69.5%). Mortality was the highest-ranked outcome in most studies (n = 55; 67.1%), and time-to-event variables were the most frequently used across all hierarchical outcome ranks (n = 173). Conclusions: The WR has gained acceptance as a robust and clinically meaningful method for analyzing composite endpoints, particularly for cardiovascular trials. Although challenges remain, its adaptability and ability to prioritize clinically relevant outcomes make it a promising tool for future biomedical research across various disciplines.
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 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 | 0,024 | 0,396 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,149 | 0,577 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes 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 ».