Search Filters to Identify Automation in HEOR: An Umbrella Review of Performance and Overlap
Notice bibliographique
Résumé
Background: Search strategies used to identify evidence on automation in Health Economics and Outcomes Research (HEOR) often lack sensitivity and specificity, resulting in information overload or missed studies. This umbrella review evaluated and compared the performance and overlap of search filters commonly used to retrieve automation-related HEOR evidence. Methods: Systematic literature reviews (SLRs) and search filters focusing on any form of automation in HEOR were included. Searches (January 01, 2023–July 03, 2024) were conducted in EMBASE, ISSG Resource, and Google Scholar. Subject headings, search terms, and performance metrics were extracted. Reference lists were cross-checked. Screening was performed by one reviewer, with 20% verified by a second reviewer. The PRESS checklist was used to assess search strategy quality. The protocol was registered with the Open Science Framework (OSF). Results: Seven SLRs and one standalone filter, reporting 11 search strategies, met the inclusion criteria. HEOR relevance was defined by studies applying search filters in contexts of SLRs, indirect treatment comparisons, and economic modeling. Included SLRs retrieved between 5-273 studies. PubMed was the most frequently searched database. Commonly used subject headings included “artificial intelligence,” “deep learning,” “machine learning,” and “natural language processing,” with “artificial intelligence” the most frequent free-text term. Inclusion rates varied: title/abstract (1%–8%), full-text (27%–86%), and final inclusion (0.13%–2.31%). Time to include one study ranged from 0.6-8 hours. Conclusions: Considerable variability in search filter performance was observed, causing lower specificity and inefficient evidence retrieval. Standardized, high-performing search strategies are needed to enhance efficiency and reliability in identifying automation-related HEOR evidence.
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 | 0,438 | 0,707 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,004 |
| Méta-épidémiologie (sens large) | 0,022 | 0,023 |
| Bibliométrie | 0,096 | 0,054 |
| Études des sciences et des technologies | 0,005 | 0,008 |
| Communication savante | 0,014 | 0,019 |
| Science ouverte | 0,008 | 0,014 |
| Intégrité de la recherche | 0,009 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».