خلاصهها معمولاً تفاوتهای مقالهها را صاف میکنند. دو مطالعه با جمعیت، پیامد و زمان پیگیری متفاوت ممکن است در خروجی AI به یک جملهٔ مشابه برسند. جدول استخراج داده کمک میکند این تفاوتها پیش از نتیجهگیری دیده شوند.
چه چیزی باید جدا ثبت شود؟
برای هر مطالعه، شناسه، طراحی، محیط اجرا، تعداد شرکتکنندگان، معیارهای ورود، مداخله یا آزمون، مقایسهگر، تعریف پیامد و محدودیتها را جدا کنید. کنار اعداد مهم، محل آنها در متن یا جدول اصلی را هم بنویسید. جدول استخراج باید به سؤال مرور پاسخ دهد؛ انباشتن ستونهای بیاستفاده فقط کار بازبینی را سختتر میکند.
«گزارش نشده» یک دادهٔ معتبر است
فرض کنید مدت پیگیری در چکیده نیامده است. از مدل نخواهید با توجه به مطالعات مشابه آن را حدس بزند. مقدار «در منبع بررسیشده یافت نشد» از عددی ظاهراً منطقی مفیدتر است. میتوان ستون دیگری برای وضعیت بررسی متن کامل گذاشت تا نبود گزارش با نخواندن بخش مربوط اشتباه نشود.
PRISMA 2020 — BMJ بر شفافیت گزارش مرور تأکید دارد. پیشنهاد اجرایی این نوشته، افزودن ستون «محل شاهد» است: هر استخراج مهم باید به جمله، جدول یا شکل مشخصی برگردد.
بازبینی هدفمند
تعریف پیامد، مخرج درصدها و زمان اندازهگیری را پیش از ادغام مطالعات کنترل کنید. در یک مثال فرضی، دقت در سطح تصویر با دقت در سطح بیمار یکسان نیست. یک خطای کوچک در این ستون میتواند مقایسهٔ نهایی را نامعتبر کند، حتی اگر همهٔ خلاصهها درست و روان به نظر برسند.
منابع این یادداشت
- PRISMA 2020 — BMJ www.bmj.com
- اصول FAIR برای مدیریت دادهٔ علمی www.nature.com
دکتر میلاد جلالی
بنیانگذار ریسرچ ادیتور و محتوانگار. کار من به پژوهش، آموزش هوش مصنوعی و برندینگ پزشکی متصل است.
رزومه و سوابق ↖پروژهها ↖
