Identification of Optimal Study Weights in Meta-Analyses with a Binary Outcome
Notice bibliographique
Résumé
Meta-analysis is a method that combines the results of multiple studies, so that the overall treatment effect can be estimated. However, the traditional method of study weight estimation by taking the reciprocals of the estimated variances is biased. For binary outcome data from a clinical trial, the accuracy of estimation of single study weight, summary effect, and variance of summary effect from the developed bias correction factors for log relative risk (RD), log relative risk (lnRR) or log odds ratio (lnOR) were assessed. When sample sizes are small, zero cell frequencies often occur in contingency tables and make parameter estimation more difficult. Methods of dealing with zero-cells were elaborated, which including adding 0.5 to the zero cell, adding 0.5 to all cells in the table if a zero frequency occurs, adding 0.5 to all cells all the time, and adding the reciprocal of the size of the contrasting study arm to each cell when a zero frequency occurs. In addition, for risk difference, adding 0.5 to the zero cells when two zero cells occur, and adding 0.5 to all the cells when two zero cells occur are also considered since the continuity of the weight of risk difference is only affected by double zero frequencies. Impact of bias correction on real meta- analyses from Cochrane Database was demonstrated.
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 | 0,206 | 0,448 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,015 | 0,018 |
| Bibliométrie | 0,014 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».