AppRaise: Software for Quantifying Evidence Uncertainty in Systematic Reviews Using a Posterior Mixture Model
Notice bibliographique
Résumé
RATIONALE: Systematic reviews are essential for evidence-based healthcare decision-making. While it is relatively straightforward to quantitatively assess random errors in systematic reviews, as these are typically reported in primary studies, the assessment of biases often remains narrative. Primary studies seldom provide quantitative estimates of biases and their uncertainties, resulting in systematic reviews rarely including such measurements. Additionally, evidence appraisers often face time constraints and technical challenges that prevent them from conducting quantitative bias assessments themselves. Given that multiple biases and random errors collectively skew the point estimate from the truth, it is important to incorporate comprehensive quantitative methods of uncertainty in systematic reviews. These methods should integrate random errors and biases into a unified measure of uncertainty and be easily accessible to evidence appraisers, preferably through user-friendly software. AIMS AND OBJECTIVES: To address this need, we propose a posterior mixture model and introduce AppRaise, a free, web-based interactive software designed to implement this approach. METHODS: We showcase its application through a health technology assessment (HTA) report on the effectiveness of continuous glucose monitoring in reducing A1c levels among individuals with type 1 diabetes. RESULTS: Applying the AppRaise software to the HTA report revealed a high level of certainty (86% probability) that continuous glucose monitoring would, on average, result in a reduction in A1c levels compared with self-monitoring of blood glucose among Ontarians with type 1 diabetes. These findings were similar to other quantitative bias-adjusted approaches in systematic reviews. CONCLUSION: AppRaise can be utilized as a standalone tool or as a complement to validate the quality of evidence assessed using qualitative-based scoring methods. This approach is also useful for assessing the sensitivity of parameter estimates to potential biases introduced by primary studies.
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 | 0,140 | 0,401 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,006 |
| Méta-épidémiologie (sens large) | 0,005 | 0,015 |
| Bibliométrie | 0,018 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,064 | 0,014 |
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 source (Gemma direct ou Codex distillé), 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 ».