Sources of errors in comparative studies of hydroxychloroquine and chloroquine in the treatment of Covid-19
Bibliographic record
Abstract
No início da pandemia de Covid-19, pesquisas com diferentes delineamentos foram iniciadas para avaliar hidroxicloroquina/cloroquina (HCQ/CQ). A avaliação tanto dos erros aleatórios, relacionados a precisão das estimativas, como dos sistemáticos, que representam os vieses, é necessária para compreender a capacidade de resposta da comunidade científica à pandemia. Objetivo: Esta tese é apresentada no formato de quatro artigos que se articulam ao objetivo geral que foi estudar as fontes de erros de estudos observacionais e experimentais que avaliaram HCQ/CQ no tratamento da Covid-19. Métodos: Para mapear as iniciativas brasileiras de ensaios clínicos no início da pandemia (artigo 1) revisamos os protocolos de pesquisa sobre Covid-19 identificados no Boletim do Conselho Nacional de Ética em Pesquisa (CONEP) e nas bases de registro de protocolo de ensaios clínicos. Os demais objetivos foram aninhados a uma revisão sistemática metodológica de medicamentos reposicionados (incluindo HCQ/CQ) para Covid-19, com busca abrangente realizada em 10-janeiro-2022 nas bases de dados MEDLINE, EMBASE, Cochrane Library e Lilacs (PROSPERO: CRD42022360331) (artigo 2). Os ensaios clínicos randomizados (ECRs) que avaliaram HCQ/CQ para Covid-19 foram identificados a partir da seleção por filtro \"randomiz(s)ed\" no título e por meio de referências cruzadas (artigo 3). Com a ferramenta Risk-of-Bias2, avaliou-se a validade interna e estimamos prospectivamente a precisão da evidência combinada, para desfecho mortalidade. Os estudos comparativos observacionais publicados em 2020 (Período anterior à obtenção de resultados consistentes de grandes ECR) foram identificados buscando a palavra \"(hydroxy)chloroquine\" no título (artigo 4). O risco de viés foi avaliado por meio dos instrumentos Risk Of Bias In Non-randomised Studies - of Interventions [ROBINS-I] e New Castle Ottawa [NOS]. Assumindo que a HCQ/CQ não teve efeito sob a mortalidade por Covid-19, definimos como medida absoluta do viés (MAV), o valor absoluto do logaritmo natural do risco relativo do efeito sob a mortalidade. Quantificamos a associação entre a classificação do risco de viés (CRV) dos domínios das ferramentas ROBINS-I e NOS e o MAV. Resultados: No artigo 1, 60% dos estudos identificados pela CONEP não publicaram seus protocolos de pesquisa em plataformas de acesso aberto. A HCQ/CQ foi uma das intervenções mais estudadas pelos pesquisadores brasileiros. No artigo 2, 6.246 artigos foram identificados e os dados de um subamostra sugerem que menos de 5% dos estudos foram longitudinais comparativos. No artigo 3, incluímos 22 ECR sobre HCQ/CQ (2020-2021) e concluímos que em outubro de 2020, havia evidências suficientes para endereçar a lacuna do conhecimento, já que novas evidências não mudariam a precisão obtida até aquele momento (erro padrão <0,05). No artigo 4, 25 estudos observacionais comparativos foram incluídos (2020), desses, 18 tinham dados de mortalidade. O confundimento foi o único domínio do ROBINS-I associado à magnitude do viés, a MAV foi de 0,53 para estudos com alta CRV e 0,09 para moderada (p=0,002). Conclusão: No início da pandemia, a HCQ/CQ foi um dos medicamentos mais estudados por pesquisadores brasileiros. A análise dos estudos experimentais de HCQ/CQ para Covid-19 sugere que após outubro de 2020, havia consistência nos dados de precisão. Nos estudos observacionais houve uma associação do domínio confundimento do ROBINS-I e a medida de viés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.331 | 0.616 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".