Mostrar el registro sencillo del ítem
Evaluación de riesgo de sesgos en ensayos clínicos a través de aprendizaje de máquinas : Revisión sistemática
dc.contributor.author | Bautista Mier, Heider Alexis | |
dc.contributor.author | Vásquez Hernández, Skarlet Marcell | |
dc.contributor.author | Barreto Montenegro, Alexis Eduardo | |
dc.contributor.author | Moreno Medina, Karen | |
dc.date.accessioned | 2022-06-11T01:30:10Z | |
dc.date.available | 2022-06-11T01:30:10Z | |
dc.date.issued | 2022-06-02 | |
dc.identifier.uri | http://hdl.handle.net/20.500.12749/16688 | |
dc.description.abstract | Introducción: 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.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.relation.uri | http://hdl.handle.net/20.500.12749/15214 | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/2.5/co/ | * |
dc.title | Evaluación de riesgo de sesgos en ensayos clínicos a través de aprendizaje de máquinas : Revisión sistemática | spa |
dc.type | Conference poster | eng |
dc.title.translated | Bias risk assessment in clinical trials through machine learning: Systematic review | spa |
dc.publisher.grantor | Universidad Autónoma de Bucaramanga UNAB | spa |
dc.rights.local | Abierto (Texto Completo) | spa |
dc.publisher.faculty | Facultad Ciencias de la Salud | spa |
dc.publisher.program | Maestría en Métodos para la Producción y Aplicación de Conocimiento Científico en Salud | spa |
dc.type.driver | info:eu-repo/semantics/conferencePoster | spa |
dc.type.local | Póster de congreso | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_6670 | |
dc.subject.keywords | Scientific poster | spa |
dc.subject.keywords | Systematic review of the literature | spa |
dc.subject.keywords | Health sciences | spa |
dc.subject.keywords | Machines | spa |
dc.subject.keywords | Learning | spa |
dc.subject.keywords | Automation | spa |
dc.subject.keywords | Machine learning | spa |
dc.subject.keywords | Automation | spa |
dc.subject.keywords | Clinical Trial | spa |
dc.identifier.instname | instname:Universidad Autónoma de Bucaramanga - UNAB | spa |
dc.identifier.reponame | reponame:Repositorio Institucional UNAB | spa |
dc.type.hasversion | info:eu-repo/semantics/acceptedVersion | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.relation.references | 1. 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.references | 2. 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.references | 3. 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.references | 4. 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.references | 5. 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.cvlac | Barreto Montenegro, Alexis Eduardo [0000108751] | spa |
dc.contributor.googlescholar | Bautista Mier, Heider Alexis [bwQSF8EAAAAJ&hl] | spa |
dc.contributor.googlescholar | Vásquez Hernández, Skarlet Marcell [IyVfYugAAAAJ&hl] | spa |
dc.contributor.googlescholar | Barreto Montenegro, Alexis Eduardo [oIh_fLEAAAAJ&hl] | spa |
dc.contributor.googlescholar | Moreno Medina, Karen [11iwoogAAAAJ] | spa |
dc.contributor.orcid | Bautista Mier, Heider Alexis [0000-0001-5021-9797] | spa |
dc.contributor.orcid | Vásquez Hernández, Skarlet Marcell [0000-0003-2552-9819] | spa |
dc.contributor.orcid | Barreto Montenegro, Alexis Eduardo [0000-0001-7905-7023] | spa |
dc.contributor.orcid | Moreno Medina, Karen [0000-0003-3265-9240] | spa |
dc.contributor.scopus | Bautista Mier, Heider Alexis [57349536700] | spa |
dc.contributor.scopus | Vásquez Hernández, Skarlet Marcell [57349956800] | spa |
dc.contributor.scopus | Moreno Medina, Karen [57213379787] | spa |
dc.contributor.researchgate | Bautista Mier, Heider Alexis [Heider-Bautista-Mier] | spa |
dc.contributor.researchgate | Vásquez Hernández, Skarlet Marcell [Skarlet-Marcell-Vasquez-Hernandez-2194087164] | spa |
dc.contributor.researchgate | Barreto Montenegro, Alexis Eduardo [Alexis-Montenegro] | spa |
dc.contributor.researchgate | Moreno Medina, Karen [Karen-Moreno-Medina] | spa |
dc.identifier.repourl | repourl:https://repository.unab.edu.co | spa |
dc.description.abstractenglish | Introduction: 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.proposal | Póster científico | spa |
dc.subject.proposal | Revisión sistemática de la literatura | spa |
dc.subject.proposal | Ciencias de la salud | spa |
dc.subject.proposal | Máquinas | spa |
dc.subject.proposal | Aprendizaje | spa |
dc.subject.proposal | Riesgo de sesgo | spa |
dc.subject.proposal | Automatización | spa |
dc.subject.proposal | Aprendizaje automático | spa |
dc.type.redcol | http://purl.org/coar/resource_type/c_6670 | * |
dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 2.5 Colombia | * |
dc.publisher.deparment | Sistema de Bibliotecas UNAB | spa |
dc.relation.ispartofconference | 2° Simposio Cochrane Colombia: Avances en síntesis de evidencia para la toma de decisiones | spa |
dc.contributor.widocol | Barreto Montenegro, Alexis Eduardo [n2062] | |
dc.contributor.linkedin | Barreto Montenegro, Alexis Eduardo [alexis-eduardo-barreto-montenegro-704a7a27] |