Mostrar el registro sencillo del ítem

dc.contributor.authorBautista Mier, Heider Alexis
dc.contributor.authorVásquez Hernández, Skarlet Marcell
dc.contributor.authorBarreto Montenegro, Alexis Eduardo
dc.contributor.authorMoreno Medina, Karen
dc.date.accessioned2022-06-11T01:30:10Z
dc.date.available2022-06-11T01:30:10Z
dc.date.issued2022-06-02
dc.identifier.urihttp://hdl.handle.net/20.500.12749/16688
dc.description.abstractIntroducción: La evaluación del riesgo de sesgo de ensayos clínicos (EC) es un paso crítico en el desarrollo de revisiones sistemáticas (RS), el aprendizaje de máquinas (AM) podría disminuir la variabilidad y subjetividad inherente a este proceso. Objetivo: Determinar la validez y reproducibilidad del AM en la automatización de la evaluación de riesgos de sesgos de EC. Metodología: Se realizó una RS que incluyó estudios que determinaron la reproducibilidad y/o validez de la evaluación del riesgo de sesgos de EC, a través de AM en comparación con la evaluación convencional realizada por humanos. La búsqueda fue realizada en diversas bases de datos. La selección y evaluación del riesgo de sesgo de los estudios fue realizado 2 por investigadores de manera independiente, los desacuerdos fueron resueltos mediante consenso. Los resultaron se presentaron mediante síntesis cualitativa. Protocolo: https://repository.unab.edu.co/handle/20.500.12749/15214 Resultados: Se identificaron 257 estudios por título y resumen, 17 se seleccionaron para lectura completa, y finalmente 5 estudios de corte transversal fueron incluidos en la síntesis cualitativa (Figura 1). La Tabla 1 resume las características de los estudios. El software usado con mayor frecuencia fue RobotReviewer, y la herramienta de evaluación de sesgos en todos los estudios fue ROB (Cochrane). En general, el riesgo de sesgo de los estudios incluidos fue bajo (Figura 2). La reproducibilidad y validez fue evaluada en 2 estudios, mientras que la exactitud fue reportada en uno. La reproducibilidad del AM versus la evaluación convencional en 2/4 estudios fue baja, la sensibilidad en 3/4 fue baja y la exactitud en 1/1 buena. Conclusión: El AM podría ser una herramienta de apoyo para la evaluación de riesgo de sesgo de EC, sin embargo, la evidencia sugiere que la evaluación por humanos sigue siendo indispensable. Son necesarios más estudios que permitan mejorar el rendimiento de estas herramientas.spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.relation.urihttp://hdl.handle.net/20.500.12749/15214*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleEvaluación de riesgo de sesgos en ensayos clínicos a través de aprendizaje de máquinas : Revisión sistemáticaspa
dc.typeConference postereng
dc.title.translatedBias risk assessment in clinical trials through machine learning: Systematic reviewspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ciencias de la Saludspa
dc.publisher.programMaestría en Métodos para la Producción y Aplicación de Conocimiento Científico en Saludspa
dc.type.driverinfo:eu-repo/semantics/conferencePosterspa
dc.type.localPóster de congresospa
dc.type.coarhttp://purl.org/coar/resource_type/c_6670
dc.subject.keywordsScientific posterspa
dc.subject.keywordsSystematic review of the literaturespa
dc.subject.keywordsHealth sciencesspa
dc.subject.keywordsMachinesspa
dc.subject.keywordsLearningspa
dc.subject.keywordsAutomationspa
dc.subject.keywordsMachine learningspa
dc.subject.keywordsAutomationspa
dc.subject.keywordsClinical Trialspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersionspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.relation.references1. Hirt J, Meichlinger J, Schumacher P, Mueller G. Agreement in Risk of Bias Assessment Between RobotReviewer and Human Reviewers: An Evaluation Study on Randomized Controlled Trials in Nursing-Related Cochrane Reviews. Journal of Nursing Scholarship. 2021 Feb 8;53 (2):246–54.spa
dc.relation.references2. Gates A, Vandermeer B, Hartling L. Technology-assisted risk of bias assessment in systematic reviews: a prospective cross-sectional evaluation of the RobotReviewer machine learning tool. Journal of Clinical Epidemiology. 2018 Apr;96:54–62.spa
dc.relation.references3. Marshall IJ, Kuiper J, Wallace BC. Automating Risk of Bias Assessment for Clinical Trials. IEEE Journal of Biomedical and Health Informatics. 2015 Jul;19(4):1406–12.spa
dc.relation.references4. Armijo- Olivo S, Craig R, Campbell S. Comparing machine and human reviewers to evaluate the risk of bias in randomized controlled trials. Research Synthesis Methods. 2020 Mar 3;11(3):484–93.spa
dc.relation.references5. Marshall IJ, Kuiper J, Wallace BC. RobotReviewer: evaluation of a system for automatically assessing bias in clinical trials. Journal of the American Medical Informatics Association. 2015 Jun 22;23(1):193–201.spa
dc.contributor.cvlacBarreto Montenegro, Alexis Eduardo [0000108751]spa
dc.contributor.googlescholarBautista Mier, Heider Alexis [bwQSF8EAAAAJ&hl]spa
dc.contributor.googlescholarVásquez Hernández, Skarlet Marcell [IyVfYugAAAAJ&hl]spa
dc.contributor.googlescholarBarreto Montenegro, Alexis Eduardo [oIh_fLEAAAAJ&hl]spa
dc.contributor.googlescholarMoreno Medina, Karen [11iwoogAAAAJ]spa
dc.contributor.orcidBautista Mier, Heider Alexis [0000-0001-5021-9797]spa
dc.contributor.orcidVásquez Hernández, Skarlet Marcell [0000-0003-2552-9819]spa
dc.contributor.orcidBarreto Montenegro, Alexis Eduardo [0000-0001-7905-7023]spa
dc.contributor.orcidMoreno Medina, Karen [0000-0003-3265-9240]spa
dc.contributor.scopusBautista Mier, Heider Alexis [57349536700]spa
dc.contributor.scopusVásquez Hernández, Skarlet Marcell [57349956800]spa
dc.contributor.scopusMoreno Medina, Karen [57213379787]spa
dc.contributor.researchgateBautista Mier, Heider Alexis [Heider-Bautista-Mier]spa
dc.contributor.researchgateVásquez Hernández, Skarlet Marcell [Skarlet-Marcell-Vasquez-Hernandez-2194087164]spa
dc.contributor.researchgateBarreto Montenegro, Alexis Eduardo [Alexis-Montenegro]spa
dc.contributor.researchgateMoreno Medina, Karen [Karen-Moreno-Medina]spa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishIntroduction: The evaluation of the risk of bias in clinical trials (CT) is a critical activity in the development of systematic reviews (SR). Machine learning (ML) could reduce the variability and subjectivity inherent in this process. Objective: To determine the validity and reproducibility of the MA in the automation of the bias risk assessment of the primary CT included in the SR.spa
dc.subject.proposalPóster científicospa
dc.subject.proposalRevisión sistemática de la literaturaspa
dc.subject.proposalCiencias de la saludspa
dc.subject.proposalMáquinasspa
dc.subject.proposalAprendizajespa
dc.subject.proposalRiesgo de sesgospa
dc.subject.proposalAutomatizaciónspa
dc.subject.proposalAprendizaje automáticospa
dc.type.redcolhttp://purl.org/coar/resource_type/c_6670*
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.publisher.deparmentSistema de Bibliotecas UNABspa
dc.relation.ispartofconference2° Simposio Cochrane Colombia: Avances en síntesis de evidencia para la toma de decisionesspa
dc.contributor.widocolBarreto Montenegro, Alexis Eduardo [n2062]
dc.contributor.linkedinBarreto Montenegro, Alexis Eduardo [alexis-eduardo-barreto-montenegro-704a7a27]


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia