MétaCan
Menu
Retour à la cohorte
Enregistrement W7117368100 · doi:10.1016/j.jclinepi.2025.112121

Systematic reviews of quasi-experimental studies: challenges and considerations

2025· article· en· W7117368100 sur OpenAlexafffund
Sarah B. Windle, S. Harper, Jasleen Arneja, Peter Socha, Arijit Nandi

Notice bibliographique

RevueJournal of Clinical Epidemiology · 2025
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueMeta-analysis and systematic reviews
Établissements canadiensMcGill University Health CentreMcGill University
Organismes subventionnairesFonds de Recherche du Québec - SantéNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésSystematic reviewPreprintConsistency (knowledge bases)Variety (cybernetics)Transparency (behavior)Grey literatureMEDLINEProtocol (science)Identification (biology)Comparability

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: In contrast to other observational study designs, quasi-experimental approaches (eg, difference-in-differences, interrupted time series, regression discontinuity, instrumental variable, synthetic control) account for some sources of unmeasured confounding and can estimate causal effects under weaker assumptions. Studies which apply quasi-experimental approaches have increased in popularity in recent decades, therefore investigators conducting systematic reviews of observational studies, particularly in biomedical, public health, or epidemiologic content areas, must be prepared to encounter and appropriately assess these approaches. OBJECTIVE: Our objective is to describe key methodological challenges and considerations for systematic reviews including quasi-experimental studies, with attention to current recommendations and approaches which have been applied in previous reviews. CONCLUSION: Recommendations for authors of systematic reviews: We recommend that individuals conducting systematic reviews including quasi-experimental studies: (1) search a broad range of bibliographic databases and gray literature, including preprint repositories; (2) do not use search strategies which require specific terms for study design for identification, given inconsistent nomenclature and poor database indexing for quasi-experimental studies; (3) ensure that their review team includes several individuals with expertise in quasi-experimental designs for screening and risk of bias assessment in duplicate; (4) use an approach to risk of bias assessment which is sufficiently granular to identify studies most likely to report unbiased estimates of causal effects (eg, modified Risk Of Bias In Nonrandomized Studies - of Interventions); and (5) consider the implications of varied estimands when interpreting estimates from different quasi-experimental designs. Researchers may also consider restricting systematic review inclusion to quasi-experimental studies for feasibility when addressing research questions with large bodies of literature. However, a more inclusive approach is preferred, as well-designed studies using a variety of methodological approaches may be more credible than a quasi-experiment which violates causal assumptions. Recommendations for the research community: Many of the challenges faced in conducting systematic reviews of quasi-experimental studies would be ameliorated by improved consistency in nomenclature, as well as greater transparency from authors in describing their research designs. The broader community (eg, research networks, journals) should consider the creation and implementation of reporting standards and protocol registration for quasi-experimental studies to improve study identification in systematic reviews.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaMétarecherche
Domaine: Méthodes · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Théorique ou conceptuelhigh
gptMétarechercheMéta-épidémiologie (sens large)
Domaine: Méthodes · Genre: Méthodes
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Revue systématiquehigh
modèles en désaccordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,861
score de la tête « metaresearch » (Gemma)0,926
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: Méthodes
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,139
Score d'incertitude au seuil0,172

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,8610,926
Méta-épidémiologie (sens strict)0,0060,008
Méta-épidémiologie (sens large)0,0340,017
Bibliométrie0,0160,014
Études des sciences et des technologies0,0070,033
Communication savante0,0190,033
Science ouverte0,0230,017
Intégrité de la recherche0,0170,018
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,966
Tête enseignante GPT0,734
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Étiqueté directement par 2 modèles lisant le dossier complet.

MétarechercheMéta-épidémiologie (sens large)

Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.

Devis d'étudeThéorique ou conceptuel · Revue systématique
DomaineMéthodes
GenreEmpirique · Méthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueJournal of Clinical EpidemiologyMême sujetMeta-analysis and systematic reviewsCatégorieMétarechercheTravaux en français237 207