Identifying an optimal strategy for converting pain as a continuous outcome to a responder analysis
Notice bibliographique
Résumé
Background: In pain relief research, meta-analyses often combine continuous outcomes from various studies using mean differences. However, this approach can be difficult to interpret clinically. An alternative method involves aggregating the risk difference for patients who achieve a minimally important difference (MID) in pain reduction. The challenge is that many trials do not report responder analyses, necessitating continuous data conversion. Objective: To conduct a simulation study assessing the performance of four proposed methods for estimating the pooled risk difference (RD) of achieving the MID in meta-analyses of pain measured on a 10cm visual analogue scale (VAS). Methods: Individual patient data for VAS pain scores were simulated across 4,752 scenarios varying the treatment effect as change score in the intervention (-1.0 to 4.0) and control (-1.0 to 3.0) groups, study sample size (10-1000), number of studies per meta-analysis (3 to 30), shape of distribution (normal or skewed), and MID (1.0 or 1.5). The true pooled RD and 95% confidence interval (CI) were calculated from the simulated individual data. Four methods were evaluated: calculating RD based on pooled 1) median mean differences, 2) unweighted average differences, 3) weighted average differences, and 4) calculating RD for each individual study and then meta-analysing RDs. Bias, mean squared error, confidence interval (CI) coverage of true value, and empirical standard error (SE), and model-based SE were evaluated. Results: The median method showed the lowest bias (2.048; 95% CI: 1.759-2.338), while the individual method demonstrated the lowest RMSE (4.852; 95% CI: 4.661-5.044), empirical SE (0.148; 95% CI: 0.141-0.154), and model-based SE (2.198; 95% CI: 2.108-2.288), and highest CI coverage (55.717%; 95% CI: 53.185-58.250%). Differences between methods were minimal and not statistically significant. Performance was optimal when treatment effects were similar between groups and declined with increasing effect size differences. All methods performed poorly with skewed distributions. Conclusion: While the evaluated methods can provide useful estimates in many scenarios, they should be used cautiously, especially for large treatment effects or non-normal data. Researchers should prioritize conducting and reporting responder analyses in primary studies to reduce reliance on these estimation methods in meta-analyses.
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 | 0,202 | 0,462 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,015 |
| Bibliométrie | 0,008 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».