Bibliometric Analysis of Surgical Articles Using Bayesian Statistics
Notice bibliographique
Résumé
Objectives: The study aims to investigate the landscape and trends in the use of Bayesian statistics in surgical papers published in high-impact journals over the past 2 decades, determine the characteristics of these papers, and assess the quality of Bayesian analysis reporting. Background: Observational and clinical trials have traditionally employed frequentist approaches. Bayesian framework enables the incorporation of prior evidence, flexible modeling of uncertainty, and returns a direct probabilistic summary of the estimates of interest that can provide valuable insight. However, their use in high-impact surgical research remains underexplored. Methods: Surgical articles from high-impact surgical and medical journals indexed in Web of Science and PubMed were retrieved for the period from January 2000 to August 2024. Data extraction covered bibliometrics and content details. The Reporting of Bayes Used in Clinical Studies scale (ROBUST) was used to assess Bayesian reporting quality. Results: A total of 120 articles were analyzed. The use of Bayesian statistics in surgical research has increased over time (compounded annual growth rate: 12.3%). General surgery (N = 39, 32.5%) and cardiothoracic surgery (N = 20, 16.7%) were the most represented specialties. The most common study designs were retrospective cohort studies (N = 50, 41.7%), meta-analyses (N = 38, 31.7%), and randomized trials (N = 19, 15.8%). Regression-based methods were the most frequently used (N = 51, 42.5%). The average ROBUST score was 4.1 ± 1.6 out of 7, with 54.0% (N = 54) of studies specifying priors and 29.0% (N = 29) justifying them. Conclusions: Bayesian statistics is increasingly incorporated into surgical research, predominantly observational studies and meta-analyses. However, improvements in the quality and standardization of Bayesian reporting are needed to enhance transparency and reproducibility.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Bibliométrie Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | Bibliométrie Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | high |
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 | 0,060 | 0,390 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,207 | 0,208 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».