Published research should be reported to evidence users with clarity and transparency that facilitate optimal appraisal and use of evidence and allow replication by other researchers. Guidelines for such reporting are available for several types of studies but not for meta-epidemiological methodology studies. Meta-epidemiological studies adopt a systematic review or meta-analysis approach to examine the impact of certain characteristics of clinical studies on the observed effect and provide empirical evidence for hypothesised associations. The unit of analysis in meta-epidemiological studies is a study, not a patient. The outcomes of meta-epidemiological studies are usually not clinical outcomes. In this guideline, we adapt items from the Preferred Reporting Items for Systematic Reviews and Meta-analyses (PRISMA) to fit the context of meta-epidemiological studies.

Abstract Background Risk of bias (RoB) tools are critical in systematic reviews and affect subsequent decision‐making. RoB tools should have adequate interrater reliability and interconsensus agreement. We present an approach of post hoc evaluation of RoB tools using duplicated studies that overlap systematic reviews. Methods Using a back‐citation approach, we identified systematic reviews that used the Risk Of Bias In Nonrandomized Studies‐of Interventions (ROBINS‐I) tool and retrieved all the included primary studies. We selected studies that were appraised by more than one systematic review and calculated observed agreement and unweighted kappa comparing the different systematic reviews' assessments. Results We identified 903 systematic reviews that used the tool with 51,676 cited references, from which we eventually analyzed 171 duplicated studies assessed using ROBINS‐I by different systematic reviewers. The observed agreement on ROBINS‐I domains ranged from 54.9% (missing data domain) to 70.3% (deviations from intended interventions domain), and was 63.0% for overall RoB assessment of the study. Kappa coefficient ranged from 0.131 (measurement of outcome domain) to 0.396 (domains of confounding and deviations from intended interventions), and was 0.404 for overall RoB assessment of the study. Conclusion A post hoc evaluation of RoB tools is feasible by focusing on duplicated studies that overlap systematic review. ROBINS‐I assessments demonstrated considerable variation in interconsensus agreement among various systematic reviewes that assessed the same study and outcome, suggesting the need for more intensive upfront work to calibrate systematic reviewers on how to identify context‐specific information and agree on how to judge it.

ABSTRACT Nanopore sequencing, a third-generation sequencing technology, has revolutionized the gene sequencing industry with its advantages of long reads, fast speed, real-time sequencing and analysis, and potential in detecting base modifications. This technology allows researchers to sequence longer DNA fragments in a single read, providing more comprehensive genomic information compared to previous methods. Nanopore sequencing operates on electrical signals generated by a nanopore embedded in a membrane separating two electrolyte-filled chambers. When single-stranded DNA (ssDNA) passes through the nanopore, it creates variations in the current that correspond to different DNA bases. By analyzing these current fluctuations with machine learning algorithms, the DNA sequence can be determined. In this study, we introduced several improvements to nanopore sequencing, including nanopore local chemistry sequencing, novel motor and pore proteins, chip design, and basecalling algorithms. Our new nanopore sequencing platform, CycloneSEQ, demonstrated long-duration sequencing (107 hours) on a single chip with high yield (>50 Gb). In human genomic DNA sequencing, CycloneSEQ was able to produce long reads with N50 33.6 kb and modal identity 97.0%. Preliminary findings on human whole-genome de novo assembly, variant calling, metagenomics sequencing, and single-cell RNA sequencing have further highlighted CycloneSEQ’s potential across different areas of genomics.

To explore the use of prediction interval (PI) for the simultaneous evaluation of the imprecision and inconsistency domains of GRADE using stakeholder-provided decision thresholds.