Recurring low statistical robustness in orthopaedic surgery: A systematic review of 84 fragility index studies
Notice bibliographique
Résumé
Abstract Purpose Increasing attention has been directed towards the fragility index (FI) and reverse fragility index (RFI) in orthopaedic surgery. The purpose of this study was to amalgamate the FI and RFI literature in orthopaedic surgery, and critically appraise its clinical impact. Methods Three databases were searched from inception to 22 March 2025, for articles evaluating either the FI or RFI across orthopaedic surgery. Median and mean FI and RFI were presented as ranges with median values. Findings from correlation analyses assessing the impact of study characteristics on FI were consolidated. Citation analysis was performed to assess the uptake of FI/RFI literature. Results Eighty‐four studies were included in the final analysis. Sports medicine was the most represented subspeciality (25.0%). Median FI of subspeciality‐specific studies ranged from 1 to 6, and RFI from 3 to 7. Median FI of pathology‐specific studies ranged from 0 to 12, and RFI from 2 to 10. The RFI exceeded the FI in most pathology‐specific studies (93.3%). Decreasing p‐value (88%), increasing sample size (50%) and increasing study power (50%) were commonly found to be associated with increasing fragility index. The median number of citations was 11.5 (interquartile range [IQR], 3.0–27.0) with a median citation density of 3.1 (IQR, 1.2–6.2). Sports medicine publications had the highest collective median citation density of 4.3 (IQR, 1.0–6.6). The h‐index for all included studies was 25, indicating 25 studies had at least 25 citations. Earlier publication year ( p < 0.001) and increasing journal impact factor ( p = 0.007) were associated with increased citations. Conclusion The majority of fragility index research is concentrated across a few orthopaedic subspecialties with redundant findings indicating low statistical robustness. Recurring methodologic recommendations based on correlation analyses include increasing patient sample size to increase study power. Methodological recommendations from this body of research should be integrated into future original studies to strengthen statistical robustness. Level of Evidence Level III.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,017 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».