NOS-TLPlot: A Specialized Python Tool for Visualizing Newcastle–Ottawa Scale Risk-of-Bias Assessments in Systematic Reviews and Meta-Analysis.
Notice bibliographique
Résumé
Objective: To develop a specialized Python tool for visualizing Newcastle–Ottawa Scale (NOS) risk-of-bias assessments that addresses the limitations of existing generic visualization tools.Methods: The author developed NOS-TLPlot, an open-source Python package and accompanying Streamlit-based web application. The tool automatically converts raw NOS star ratings (0–9) into standardized risk categories (Low, Moderate, High) and generates twelve distinct visualization types, including star distribution plots, traffic-light plots, radar charts, heatmaps, dot profiles, donut charts, and lollipop charts. It offers both an interactive web application and a command-line interface for batch processing and integration into reproducible analytical pipelines. Users can customize output themes (e.g., traffic-light or grayscale), figure sizes, and export formats (PNG, PDF, SVG, EPS).Results: NOS-TLPlot successfully produces publication-quality visualizations for NOS risk-of-bias assessments. The tool's web application provides an intuitive interface for data upload, plot selection, and customization. The command-line interface allows for automated plot generation, facilitating reproducibility. The variety of visualization options enhances the flexibility and comprehensiveness of risk-of-bias reporting.Conclusion: NOS-TLPlot provides a dedicated, user-friendly, and reproducible solution for NOS data visualization, enhancing the transparency, consistency, and efficiency of reporting study quality in systematic reviews and meta-analyses involving non-randomized studies.Keywords: Newcastle–Ottawa Scale, risk of bias, data visualization, Python, systematic review, meta-analysis, open-source software.
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 | 0,079 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,007 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 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 ».