A Critical Appraisal of the Statistical Approaches Used in Within-Individual Observations in Hand Surgery
Notice bibliographique
Résumé
Hand surgery studies often include data from multiple hands, digits, or joints from 1 individual without using appropriate statistical approaches to assess within-individual observations, allowing for potential bias regarding treatment effects. We critically appraised the statistical methods used among studies, including dependent observations in hand surgery literature. All publications from the year 2020 to 2022 were retrieved from PubMed for 5 hand surgery journals. Studies containing ≥5 participants who performed a hand intervention in the operating theater were included. The proportion of patients with nonindependent observations and the proportion of nonindependent observations were calculated. A total of 10 128 articles were screened, of which a total of 465 studies were identified. Of these, 124 studies (27%) included multiple hands, joints, or digits from 1 individual. Only 79 (64%) studies provided data on the number of the digits, hands, and joints from a given patient. Of these, the proportion of patients with nonindependent observations was 14%. The proportion of nonindependent observations was 26%. Sixty-seven percent of articles did statistical comparisons between groups, but only 14.5% used methodological adjustments for within-patient relationships. Of the 71 studies that did not do proper statistical adjustments, 63 (88.7%) reported at least one significant result. In conclusion, there is a significant amount of nonindependent observations from single individuals and limited studies accounting for multiple observations in hand surgery literature. Most studies that did not do statistical adjustments for nonindependent observations still reported a significant finding, which raises the risk of 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 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 | 0,001 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».