Förbättringen av söktermen görs när man gör en försökssökning och letar efter en annan relevant term inom varje koncept från hämtade papper. För att söka efter en klinisk prövning kan vi använda dessa beskrivare i PubMed: ”klinisk prövning” ELLER ”kliniska prövningar som ämne” ELLER ”klinisk prövning”. Efter några försök och förfining av söktermen formulerar vi den slutliga söktermen för PubMed enligt följande: (ebola ELLER ebolavirus ELLER ebolavirussjukdom ELLER EVD) OCH (vaccin ELLER vaccination ELLER vaccinerad ELLER immunisering) OCH (”klinisk prövning” ELLER ”kliniska prövningar som ämne” ELLER ”klinisk prövning”). Eftersom studien för detta ämne är begränsad tar vi inte med resultatresultat (säkerhet och immunogenicitet) i söktermen för att fånga fler studier.

Sök i databaser, importera alla resultat till ett bibliotek och exportera till ett excel-blad

Enligt AMSTAR-riktlinjerna måste minst två databaser sökas i SR / MA, men när du ökar antalet sökta databaser får du mycket avkastning och mer exakta och omfattande resultat. Beställningen av databaserna beror mest på granskningsfrågorna; när du studerar kliniska prövningar kommer du att förlita dig mest på Cochrane, mRCTs eller International Clinical Trials Registry Platform (ICTRP). Här föreslår vi 12 databaser (PubMed, Scopus, Web of Science, EMBASE, GHL, VHL, Cochrane, Google Scholar, Clinical studier.gov, mRCTs, POPLINE och SIGLE), som hjälper till att täcka nästan alla publicerade artiklar inom tropisk medicin och andra hälsorelaterade områden. Bland dessa databaser fokuserar POPLINE på reproduktiv hälsa. Forskare bör överväga att välja relevant databas enligt forskningsämnet. Vissa databaser stöder inte användning av Boolean eller offert; annars finns det några databaser som har ett särskilt sökande. Därför måste vi ändra de ursprungliga söktermerna för varje databas för att få uppskattade resultat; därför presenteras manipuleringsguider för varje online databassökning i ytterligare fil 5: tabell S2. Den detaljerade sökstrategin för varje databas finns i ytterligare fil 5: Tabell S3. Söktermen som vi skapade i PubMed behöver anpassas baserat på en specifik egenskap hos databasen. Ett exempel på avancerad sökning för Google Scholar för vårt ämne är följande:

1. Med alla orden: ebolavirus

   Med minst ett av orden: vaccinvaccination vaccinerad immunisering

   Där mina ord förekommer: i artikelns titel

2. Med alla orden: EVD

   Med minst ett av orden: vaccinvaccination vaccinerad immunisering

   Där mina ord förekommer: i artikelns titel

Slutligen är alla poster samlas i ett Endnote-bibliotek för att ta bort dubbletter och sedan exporteras till ett excel-ark. Det är obligatoriskt att ta bort dupliceringsfunktion med två alternativ. Alla referenser som har (1) samma titel och författare och publicerats samma år och (2) samma titel och författare och publicerats i samma tidskrift skulle raderas. Referenser som återstår efter detta steg bör exporteras till en excel-fil med viktig information för screening. Dessa kan vara författarnas namn, publiceringsår, tidskrift, DOI, URL-länk och abstrakt.

Protokollskrivning och registrering

Protokollregistrering i ett tidigt skede garanterar transparens i forskningen process och skyddar mot dupliceringsproblem. Dessutom anses det vara ett dokumenterat bevis på teamets handlingsplan, forskningsfråga, behörighetskriterier, intervention / exponering, kvalitetsbedömning och plan för analys. Det rekommenderas att forskare skickar det till huvudutredaren (PI) för att revidera det och sedan laddar upp det till registerwebbplatser. Det finns många registersidor tillgängliga för SR / MA som de som föreslås av Cochrane och Campbell-samarbeten; dock rekommenderar vi att du registrerar protokollet i PROSPERO eftersom det är lättare. Layouten för en protokollmall, enligt PROSPERO, finns i ytterligare fil 5: Fil S1.

Titel och abstrakt screening

Beslut om att välja hämtade artiklar för vidare bedömning baseras om behörighetskriterier för att minimera risken för att inkludera icke-relevanta artiklar. Enligt Cochrane-vägledningen är två granskare ett måste för att göra detta steg, men när det gäller nybörjare och juniorforskare kan det vara tröttsamt; därför föreslår vi baserat på vår erfarenhet att minst tre granskare ska arbeta självständigt för att minska risken för fel, särskilt i team med ett stort antal författare för att lägga till mer granskning och säkerställa korrekt uppförande.För det mesta skulle kvaliteten med tre granskare vara bättre än två, eftersom två bara skulle ha olika åsikter från varandra, så de kan inte bestämma, medan det tredje yttrandet är avgörande. Och här är några exempel på systematiska granskningar som vi genomförde enligt samma strategi (av en annan grupp forskare i vår forskargrupp) och publicerade framgångsrikt, och de har relevanta idéer för tropisk medicin och sjukdom.

I detta steg kommer dubbleringar att tas bort manuellt när granskarna får reda på dem. När det råder tvivel om ett artikelbeslut bör laget vara inkluderande snarare än exklusivt tills huvudledaren eller PI fattar ett beslut efter diskussion och konsensus. Alla uteslutna poster bör anges med anledning av uteslutning.

Nedladdning och screening av fulltext

Många sökmotorer tillhandahåller länkar gratis för att få tillgång till artiklar i fulltext. Om det inte hittas kan vi söka i vissa forskningswebbplatser som ResearchGate, som erbjuder ett alternativ för direktförfrågan från fulltext från författare. Dessutom kan du utforska arkiv med önskade tidskrifter eller kontakta PI för att köpa det om det finns. På samma sätt arbetar 2–3 granskare självständigt för att besluta om inkluderade fullständiga texter enligt behörighetskriterier, med rapporteringsskäl för artiklar. Om någon oenighet har inträffat måste det slutliga beslutet fattas genom diskussion.

Manuell sökning

Man måste uttömma alla möjligheter att minska förspänningen genom att utföra en uttrycklig handsökning efter hämtning av rapporter som kan ha tagits bort från första sökningen. Vi använder fem metoder för att göra manuell sökning: söka referenser från inkluderade studier / recensioner, kontakta författare och experter och titta på relaterade artiklar / citerade artiklar i PubMed och Google Scholar.

Vi beskriver här tre på varandra följande metoder för att öka och förfina utbytet av manuell sökning: först söka referenslistor med inkluderade artiklar; för det andra att utföra vad som kallas citationsspårning där granskarna spårar alla artiklar som citerar var och en av de inkluderade artiklarna, och detta kan innebära elektronisk sökning av databaser; och för det tredje, i likhet med citationsspårningen, följer vi alla ”relaterade till” eller ”liknande” artiklar. Var och en av de ovannämnda metoderna kan utföras av 2–3 oberoende granskare, och alla möjliga relevanta artiklar måste genomgå ytterligare granskning mot inklusionskriterierna, efter att ha följt samma poster från elektroniska databaser, dvs. titel / abstrakt och fulltext screening .

Vi föreslår en oberoende granskning genom att tilldela varje medlem av lagen en ”tagg” och en distinkt metod, för att sammanställa alla resultat i slutet för jämförelse av skillnader och diskussion och för att maximera hämtningen och minimera Bias. På samma sätt måste antalet inkluderade artiklar anges före tillägg till de övergripande inkluderade posterna.

Datautvinning och kvalitetsbedömning

Detta steg berättigar till datainsamling från inkluderad full- texter i ett excelblad med strukturerad extraktion, som tidigare testats för extraktion med hjälp av några slumpmässiga studier. Vi rekommenderar att man extraherar både justerade och icke-justerade data eftersom det ger den mest tillåtna förvirrande faktorn till b används i analysen genom att slå dem samman senare. Extraktionsprocessen bör utföras av 2–3 oberoende granskare. För det mesta klassificeras arket i studie- och patientegenskaper, resultat och kvalitetsbedömningsverktyg (QA).

Data som presenteras i diagram bör extraheras med programvaruverktyg som digitaliserare för webbplott. De flesta ekvationer som kan användas vid extraktion före analys och uppskattning av standardavvikelse (SD) från andra variabler finns i ytterligare fil 5: Fil S2 med referenser som Hozo et al. , Xiang et al. och Rijkom et al. . En mängd olika verktyg finns tillgängliga för QA, beroende på design: ROB-2 Cochrane-verktyg för randomiserade kontrollerade försök som presenteras som ytterligare fil 1: Figur S1 och ytterligare fil 2: Figur S2 — från tidigare publicerade artikeldata—, NIH-verktyg för observations- och tvärsnittsstudier, ROBINS-I-verktyg för icke-randomiserade studier, QUADAS-2-verktyg för diagnostiska studier, QUIPS-verktyg för prognostiska studier, CARE-verktyg för fallrapporter och ToxRtool för in vivo- och in vitro-studier. Vi rekommenderar att 2–3 granskare oberoende bedömer kvaliteten på studierna och lägger till dataextraktionsformuläret innan de inkluderas i analysen för att minska risken för partiskhet. I NIH-verktyget för observationsstudier – kohort och tvärsnitt – som i detta EBOLA-fall, för att utvärdera risken för partiskhet, bör granskare betygsätta var och en av de 14 artiklarna i dikotom variabler: ja, nej eller inte tillämpligt. En övergripande poäng beräknas genom att lägga till alla poäng för objekt som ja är lika med en, medan nej och NA är lika med noll.En poäng ges för varje uppsats för att klassificera dem som dåliga, rättvisa eller bra genomförda studier, där en poäng från 0–5 ansågs dålig, 6–9 som rättvis och 10–14 som bra.

I EBOLA-fallet ovan kan författare extrahera följande information: namn på författare, patientland, publiceringsår, studiedesign (fallrapport, kohortstudie eller klinisk prövning eller RCT), provstorlek, den infekterade punkten tid efter EBOLA-infektion, uppföljningsintervall efter vaccinationstid, effekt, säkerhet, biverkningar efter vaccinationer och QA-ark (ytterligare fil 6: Data S1).

Datakontroll

På grund av det förväntade mänskliga felet och partiskheten rekommenderar vi ett datakontrollsteg, där varje inkluderad artikel jämförs med sin motsvarighet i ett extraktionsark med bevisfoton för att upptäcka misstag i data. Vi rekommenderar att tilldela artiklar till 2–3 oberoende granskare, helst inte de som utförde utvinningen av dessa artiklar. När resurserna är begränsade tilldelas varje granskare en annan artikel än den han extraherade i föregående steg.

Statistisk analys

Utredarna använder olika metoder för att kombinera och sammanfatta resultaten av inkluderade studier . Före analys finns det ett viktigt steg som kallas rengöring av data i extraktionsarket, där analytikern organiserar extraktionsarkdata i en form som kan läsas av analytisk programvara. Analysen består av två typer, nämligen kvalitativ och kvantitativ analys. Kvalitativ analys beskriver mestadels data i SR-studier, medan kvantitativ analys består av två huvudtyper: MA och nätverksmetaanalys (NMA). Undergrupp, känslighet, kumulativa analyser och metaregression är lämpliga för att testa om resultaten är konsekventa eller inte och undersöka effekten av vissa förvirrare på resultatet och hitta de bästa prediktorerna. Publikationsbias bör bedömas för att undersöka förekomsten av saknade studier som kan påverka sammanfattningen.

För att illustrera grundläggande metaanalys ger vi en imaginär data för forskningsfrågan om Ebolavaccinsäkerhet (när det gäller negativ händelser, 14 dagar efter injektion) och immunogenicitet (Ebolavirusantikroppar stiger i geometriskt medelvärde, 6 månader efter injektion). Förutsatt att vi från sökning och dataextraktion bestämde oss för att göra en analys för att utvärdera Ebola-vaccins ”A” säkerhet och immunogenicitet. Andra Ebolavacciner metaanalyserades inte på grund av det begränsade antalet studier (istället kommer det att inkluderas för berättande granskning De imaginära data för vaccinsäkerhetsmetaanalys kan nås i ytterligare fil 7: Data S2. För att göra metaanalysen kan vi använda gratis programvara, såsom RevMan eller R-paketmeta. I detta exempel kommer vi att använda R-paketets meta.Tutorial för metapaket kan nås via ”Allmänt paket för metaanalys” -handledning pdf. R-koder och dess vägledning för utförd metaanalys finns i ytterligare fil 5: Fil S3.

För analysen antar vi att studien är heterogen till sin natur; därför väljer vi en slumpmässig effektmodell. Vi gjorde en analys av säkerheten för ebolavaccin A. Från datatabellen kan vi se några biverkningar som inträffar efter intramuskulär injektion av vaccin A till ämnet för studien. Antag att vi inkluderar sex studier som uppfyller våra inkluderingskriterier. Vi kan göra en metaanalys för var och en av de biverkningar som extraherats från studierna, till exempel artralgi, från resultaten av metaanalys av slumpmässig effekt med hjälp av R-metapaketet.

Från resultaten som visas i Ytterligare fil 3: Figur S3, vi kan se att oddsförhållandet (OR) för artralgi är 1,06 (0,79; 1,42), p-värde = 0,71, vilket innebär att det inte finns någon koppling mellan den intramuskulära injektionen av Ebolavaccin A och artralgi, eftersom OR är nästan en, och dessutom är P-värdet obetydligt eftersom det är > 0,05.

I metaanalysen kan vi också visualisera resulterar i en skogstomt. Det visas i fig. 3 ett exempel på en skogsplott från den simulerade analysen.

Från skogsplottet kan vi se sex studier (A till F) och deras respektive OR (95% KI) . Den gröna rutan representerar effektstorleken (i detta fall OR) för varje studie. Ju större rutan betyder att studien väger mer (dvs. större provstorlek). Den blå diamantformen representerar den sammanslagna ELLER av de sex studierna. Vi kan se den blå diamanten korsa den vertikala linjen OR = 1, vilket inte indikerar någon betydelse för associeringen eftersom diamanten nästan utjämnades på båda sidor. Vi kan bekräfta detta också från 95% konfidensintervallet som inkluderar ett och p-värdet > 0,05.

För heterogenitet ser vi att I2 = 0%, vilket innebär att ingen heterogenitet detekteras; studien är relativt homogen (det är sällsynt i den verkliga studien). För att utvärdera publikationsbias relaterad till metaanalys av biverkningar av artralgi kan vi använda metabiasfunktionen från R-metapaketet (ytterligare fil 4: figur S4) och visualisering med hjälp av en trattdiagram. Resultaten av publikationsförspänning visas i fig. 4. Vi ser att p-värdet associerat med detta test är 0,74, vilket indikerar symmetri för trattdiagrammet. Vi kan bekräfta det genom att titta på trattplottet.

Om man tittar på trattdiagrammet är antalet studier till vänster och höger om trattdiagrammet detsamma; därför är plot symmetri, vilket indikerar att ingen publikationsbias upptäcks.

Känslighetsanalys är en procedur som används för att upptäcka hur olika värden för en oberoende variabel kommer att påverka betydelsen av en viss beroende variabel genom att ta bort en studie från MA . Om alla inkluderade p-värden för studien är < 0,05, kommer därför inte att ta bort någon studie att ändra den signifikanta kopplingen. Det utförs endast när det finns en signifikant association, så om p-värdet av MA gjort är 0,7 – mer än en – behövs inte känslighetsanalysen för detta fallstudieexempel. Om det finns två studier med p-värde > 0,05, kommer att ta bort någon av de två studierna att förlora betydelsen.

Dubbel datakontroll

För mer säkerhet för kvaliteten på resultaten, bör de analyserade uppgifterna kontrolleras från fulltextdata med bevisfoton för att möjliggöra en uppenbar kontroll av PI i studien.

Manuskriptskrivning, revision och inlämning till tidskrift

Skrivning baserad på fyra vetenskapliga avsnitt: introduktion, metoder, resultat och diskussion, mestadels med en slutsats. Att utföra en karakteristisk tabell för studie- och patientegenskaper är ett obligatoriskt steg som kan hittas som en mall i ytterligare fil 5: Tabell S3.

Efter avslutad manuskriptskrivning, egenskaperstabell och PRISMA flödesschema, teamet bör skicka det till PI för att revidera det väl och svara på hans kommentarer och slutligen välja en lämplig tidskrift för manuskriptet som passar med betydande slagfaktor och passande fält. Vi måste vara uppmärksamma genom att läsa författarens riktlinjer för tidskrifter innan vi skickar in manuskriptet.