Evaluación de riesgo de sesgos en ensayos clínicos a través de aprendizaje de máquinas : Revisión sistemática

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.

• Autores: Bautista Mier, Heider Alexis; Vásquez Hernández, Skarlet Marcell; Barreto Montenegro, Alexis Eduardo; Moreno Medina, Karen
• Tipo de recurso: http://purl.org/coar/resource_type/c_6670
• Fecha de publicación: 2022
• Institución: Universidad Autónoma de Bucaramanga - UNAB
• Repositorio: Repositorio UNAB
• Idioma: spa
• OAI Identifier: oai:repository.unab.edu.co:20.500.12749/16688
• Acceso en línea: http://hdl.handle.net/20.500.12749/16688
• Palabra clave: Scientific poster; Systematic review of the literature; Health sciences; Machines; Learning; Automation; Machine learning; Automation; Clinical Trial; Póster científico; Revisión sistemática de la literatura; Ciencias de la salud; Máquinas; Aprendizaje; Riesgo de sesgo; Automatización; Aprendizaje automático
• License: http://creativecommons.org/licenses/by-nc-nd/2.5/co/