Methods
How much time can Collie save?
Last updated: October 24, 2026
Our figures are estimates, not guarantees. They depend on your topic, your team and how you use Collie. We keep two kinds of numbers apart: measured timings of the steps Collie automates, and estimated human hours built from published studies.
1. What we measured
We ran Collie locally on one workstation (Intel Core Ultra 9, 31 GB RAM, Windows 11, R 4.5.3), 3 runs per step, each on a fresh review. Data: the public SYNERGY dataset of a PTSD-trajectory review (4,469 records retrieved from OpenAlex), plus a second file with 294 reformatted copies of records the original search listed twice, so we knew every true duplicate. The meta-analysis used the 13 BCG vaccine trials distributed with the R package metadat. Times are for the automated part only and include the request to the local server.
Measured on a local install (median, range of 3 runs)
| Step | Time |
|---|
| Import 4,469 RIS records and detect duplicates | 0.93 s (0.81–0.98) |
| Import a second RIS file (294 records) and detect duplicates across 4,763 | 0.43 s (0.43–0.46) |
| PubMed: live hit count of a two-concept search | 1.2 s (1.2–1.5) |
| PubMed: live import of 500 records with duplicate check | 7.0 s (6.1–7.6) |
| Relevance ranking of about 5,260 records (offline) | 0.44 s (0.39–0.50) |
| Random-effects meta-analysis in R (k = 13) with forest, funnel and leave-one-out plots | 5.2 s (5.0–5.3); 6.4 s with SVG, PNG, PDF and TIFF at 600 dpi |
| Risk-of-bias traffic-light and summary figures (SVG, PNG, PDF) | 4.2 s (4.1–4.7) |
| PRISMA 2020 flow counts; PRISMA 2020 checklist | under 0.1 s each |
Duplicate check: all 294 planted duplicate pairs were flagged in every run. Collie also flagged 7 lower-similarity groups for a person to judge, such as a preprint and its published version. Collie never merges records on its own. This is one dataset with artificial formatting differences; real exports from several databases are messier, so we do not claim a general accuracy figure. The hosted service runs over the internet and queues R jobs, so absolute times there are longer.
2. What manual work costs, according to published studies
Published baselines (per reviewer unless stated)
| Task | Published figure | Source |
|---|
| Whole meta-analysis | median 1,110 person-hours (range 216–2,518) | Allen & Olkin 1999 |
| Registration to publication | median 65.8 weeks (range 6–186) | Borah et al. 2017 |
| Title/abstract screening | about 21 s to 7.7 min per record; 1 min used as a planning value | Nussbaumer-Streit et al. 2021; Shemilt et al. 2016 |
| Full-text screening | 4.3–5 min per article, plus about 4 min to retrieve it | Nussbaumer-Streit et al. 2021; Shemilt et al. 2016 |
| Data extraction | 41–65 min per study (one person); 107 min with verification; 172 min dual | Nussbaumer-Streit et al. 2021 |
| Risk of bias | 8.8 min (RoB 1) to 28 min per study outcome (RoB 2) | Hartling et al. 2009; Minozzi et al. 2020 |
| Single vs dual screening | a single reviewer missed 13% of relevant studies | Gartlehner et al. 2020 |
| Text-mining and prioritised screening | 30–70% less screening workload; 64–92% in active-learning simulations at 95% recall | O'Mara-Eves et al. 2015; van de Schoot et al. 2021; Ferdinands et al. 2023 |
| AI (large language model) screening | pooled sensitivity 0.92 (0.81–0.96), specificity 0.94 (0.90–0.97); single studies vary widely | Xie et al. 2026; Dennstädt et al. 2024 |
| Deduplication | about 70 min by hand per dataset; automated methods 2–109 s | Borissov et al. 2022 |
Caveats: Allen & Olkin is 1999 data from one company; Borah measures calendar time, not effort; per-task figures mix measurements and planning assumptions; prioritisation results are simulations that accept missing up to 5% of relevant studies; AI screening results depend on the prompt, the criteria, the dataset and the model version.
3. The model behind the calculator
For each stage we compare manual hours with hours using Collie, in three scenarios: conservative (lowest times and savings), central and optimistic (highest). Time people spend reading, judging and deciding stays in the "with Collie" column.
- Title/abstract screening: 0.5, 1 or 2.5 min per record per reviewer. Collie's ranked queue and AI suggestions save 30%, 50% or 70% of it. People still decide every record, and the saving only applies if your team uses the AI reviewer (your own connected AI agent).
- Full-text screening, data extraction and risk-of-bias judgements: no saving claimed. They count the same in both columns.
- Deduplication, meta-analysis with figures, risk-of-bias figures and PRISMA reporting: our own assumptions (for example 16 h by hand vs 4 h with Collie for analysis and figures in the central case), well below the 144 h Allen & Olkin reported for statistical analysis.
- Full texts assessed = 3 × included studies. Protocol, search design, GRADE and writing are out of scope.
Typical review: 3,000 records, 2 reviewers, 30 included studies (estimated hours)
| Scenario | Manual | With Collie | Saved |
|---|
| Conservative | 117 h | 99 h | 18 h (16%) |
| Central | 225 h | 158 h | 67 h (30%) |
| Optimistic | 475 h | 258 h | 217 h (46%) |
Most of the estimated saving comes from title/abstract screening, so it grows with the number of records. The totals cover only the modelled stages, not a whole review.
4. Limits
- The screening saving comes from studies of other tools and settings, not from a trial of Collie.
- We did not measure how long people spend in Collie's interface, nor AI screening or extraction quality.
- Timings come from one fast computer and a local database.
- The benchmark scripts, raw timings and model are kept with Collie's source code so they can be rerun.
5. Sources
- Allen IE, Olkin I. Estimating time to conduct a meta-analysis from number of citations retrieved. JAMA. 1999;282(7):634–5. doi:10.1001/jama.282.7.634
- Borah R, et al. Analysis of the time and workers needed to conduct systematic reviews of medical interventions using data from the PROSPERO registry. BMJ Open. 2017;7:e012545. doi:10.1136/bmjopen-2016-012545
- Nussbaumer-Streit B, et al. Resource use during systematic review production varies widely: a scoping review. J Clin Epidemiol. 2021;139:287–96. doi:10.1016/j.jclinepi.2021.05.019
- Shemilt I, et al. Use of cost-effectiveness analysis to compare the efficiency of study identification methods in systematic reviews. Syst Rev. 2016;5:140. doi:10.1186/s13643-016-0315-4
- Hartling L, et al. Risk of bias versus quality assessment of randomised controlled trials. BMJ. 2009;339:b4012. doi:10.1136/bmj.b4012
- Minozzi S, et al. The revised Cochrane risk of bias tool for randomized trials (RoB 2) showed low interrater reliability. J Clin Epidemiol. 2020;126:37–44. doi:10.1016/j.jclinepi.2020.06.015
- Gartlehner G, et al. Single-reviewer abstract screening missed 13 percent of relevant studies. J Clin Epidemiol. 2020;121:20–8. doi:10.1016/j.jclinepi.2020.01.005
- O'Mara-Eves A, et al. Using text mining for study identification in systematic reviews. Syst Rev. 2015;4:5. doi:10.1186/2046-4053-4-5
- van de Schoot R, et al. An open source machine learning framework for efficient and transparent systematic reviews. Nat Mach Intell. 2021;3:125–33. doi:10.1038/s42256-020-00287-7
- Ferdinands G, et al. Performance of active learning models for screening prioritization in systematic reviews. Syst Rev. 2023;12:100. doi:10.1186/s13643-023-02257-7
- Xie et al. Performance of large language models in automated medical literature screening: a systematic review and meta-analysis. J Evid Based Med. 2026;19(3):e70166. doi:10.1111/jebm.70166
- Dennstädt F, et al. Title and abstract screening for literature reviews using large language models. Syst Rev. 2024;13:158. doi:10.1186/s13643-024-02575-4
- Borissov N, et al. Syst Rev. 2022;11:172. doi:10.1186/s13643-022-02045-9
- De Bruin J, et al. SYNERGY – Open machine learning dataset on study selection in systematic reviews. DataverseNL; 2023. doi:10.34894/HE6NAQ (CC0 1.0)
Métodos
Quanto tempo o Collie pode poupar?
Última atualização: 24 de outubro de 2026
Nossos números são estimativas, não garantias. Dependem do tema, da equipe e de como você usa o Collie. Separamos dois tipos de número: tempos medidos das etapas que o Collie automatiza e horas humanas estimadas a partir de estudos publicados.
1. O que medimos
Rodamos o Collie localmente num computador (Intel Core Ultra 9, 31 GB de RAM, Windows 11, R 4.5.3), 3 execuções por etapa, cada uma numa revisão nova. Dados: o conjunto público SYNERGY de uma revisão sobre trajetórias de TEPT (4.469 registros obtidos do OpenAlex), mais um segundo arquivo com 294 cópias reformatadas dos registros que a busca original listou duas vezes, de modo que conhecíamos cada duplicata real. A meta-análise usou os 13 ensaios da vacina BCG distribuídos com o pacote R metadat. Os tempos são só da parte automatizada e incluem a requisição ao servidor local.
Medido numa instalação local (mediana, faixa de 3 execuções)
| Etapa | Tempo |
|---|
| Importar 4.469 registros RIS e detectar duplicatas | 0,93 s (0,81–0,98) |
| Importar um segundo arquivo RIS (294 registros) e detectar duplicatas entre 4.763 | 0,43 s (0,43–0,46) |
| PubMed: contagem ao vivo de uma busca com dois conceitos | 1,2 s (1,2–1,5) |
| PubMed: importação ao vivo de 500 registros com checagem de duplicatas | 7,0 s (6,1–7,6) |
| Ordenação por relevância de cerca de 5.260 registros (offline) | 0,44 s (0,39–0,50) |
| Meta-análise de efeitos aleatórios em R (k = 13) com gráficos de floresta, funil e leave-one-out | 5,2 s (5,0–5,3); 6,4 s com SVG, PNG, PDF e TIFF a 600 dpi |
| Figuras de risco de viés (semáforo e resumo; SVG, PNG, PDF) | 4,2 s (4,1–4,7) |
| Contagens do fluxo PRISMA 2020; checklist PRISMA 2020 | menos de 0,1 s cada |
Duplicatas: os 294 pares plantados foram sinalizados em todas as execuções. O Collie também sinalizou 7 grupos de menor semelhança para uma pessoa julgar, como um preprint e sua versão publicada. O Collie nunca une registros sozinho. É um único conjunto de dados com diferenças de formatação artificiais; exportações reais de várias bases são mais bagunçadas, por isso não afirmamos uma acurácia geral. O serviço hospedado roda pela internet e enfileira as tarefas em R, então os tempos absolutos lá são maiores.
2. Quanto custa o trabalho manual, segundo estudos publicados
Referências publicadas (por revisor, salvo indicação)
| Tarefa | Número publicado | Fonte |
|---|
| Meta-análise inteira | mediana de 1.110 horas-pessoa (faixa 216–2.518) | Allen & Olkin 1999 |
| Do registro à publicação | mediana de 65,8 semanas (faixa 6–186) | Borah et al. 2017 |
| Triagem de títulos/resumos | cerca de 21 s a 7,7 min por registro; 1 min como valor de planejamento | Nussbaumer-Streit et al. 2021; Shemilt et al. 2016 |
| Triagem de texto completo | 4,3–5 min por artigo, mais cerca de 4 min para obtê-lo | Nussbaumer-Streit et al. 2021; Shemilt et al. 2016 |
| Extração de dados | 41–65 min por estudo (uma pessoa); 107 min com verificação; 172 min em dupla | Nussbaumer-Streit et al. 2021 |
| Risco de viés | 8,8 min (RoB 1) a 28 min por desfecho de estudo (RoB 2) | Hartling et al. 2009; Minozzi et al. 2020 |
| Triagem simples vs dupla | um único revisor perdeu 13% dos estudos relevantes | Gartlehner et al. 2020 |
| Mineração de texto e triagem priorizada | 30–70% menos esforço de triagem; 64–92% em simulações de aprendizado ativo com 95% de recall | O'Mara-Eves et al. 2015; van de Schoot et al. 2021; Ferdinands et al. 2023 |
| Triagem com IA (modelos de linguagem) | sensibilidade combinada 0,92 (0,81–0,96), especificidade 0,94 (0,90–0,97); estudos isolados variam muito | Xie et al. 2026; Dennstädt et al. 2024 |
| Deduplicação | cerca de 70 min à mão por conjunto; métodos automáticos 2–109 s | Borissov et al. 2022 |
Ressalvas: Allen & Olkin são dados de 1999 de uma única empresa; Borah mede tempo de calendário, não esforço; os números por tarefa misturam medições e premissas de planejamento; os resultados de priorização são simulações que aceitam perder até 5% dos estudos relevantes; a triagem com IA depende do prompt, dos critérios, do conjunto de dados e da versão do modelo.
3. O modelo por trás da calculadora
Para cada etapa comparamos horas manuais com horas usando o Collie, em três cenários: conservador (menores tempos e economias), central e otimista (maiores). O tempo que pessoas gastam lendo, julgando e decidindo continua na coluna "com o Collie".
- Triagem de títulos/resumos: 0,5, 1 ou 2,5 min por registro por revisor. A fila ordenada e as sugestões de IA do Collie poupam 30%, 50% ou 70% disso. Pessoas continuam decidindo cada registro, e a economia só vale se a equipe usar o revisor de IA (o seu próprio agente de IA conectado).
- Triagem de texto completo, extração de dados e julgamentos de risco de viés: nenhuma economia declarada. Contam igual nas duas colunas.
- Deduplicação, meta-análise com figuras, figuras de risco de viés e relato PRISMA: premissas nossas (por exemplo, 16 h à mão contra 4 h com o Collie para análise e figuras no cenário central), bem abaixo das 144 h que Allen & Olkin relataram para a análise estatística.
- Textos completos avaliados = 3 × estudos incluídos. Protocolo, desenho da busca, GRADE e redação ficam fora do escopo.
Revisão típica: 3.000 registros, 2 revisores, 30 estudos incluídos (horas estimadas)
| Cenário | Manual | Com o Collie | Poupado |
|---|
| Conservador | 117 h | 99 h | 18 h (16%) |
| Central | 225 h | 158 h | 67 h (30%) |
| Otimista | 475 h | 258 h | 217 h (46%) |
A maior parte da economia estimada vem da triagem de títulos/resumos, então ela cresce com o número de registros. Os totais cobrem só as etapas modeladas, não uma revisão inteira.
4. Limites
- A economia na triagem vem de estudos de outras ferramentas e contextos, não de um ensaio com o Collie.
- Não medimos o tempo que pessoas passam na interface do Collie, nem a qualidade da triagem ou da extração por IA.
- Os tempos vêm de um computador rápido e de um banco de dados local.
- Os scripts do benchmark, os tempos brutos e o modelo ficam junto ao código-fonte do Collie, para poderem ser executados de novo.
5. Fontes
As mesmas da versão em inglês (artigos publicados em inglês):
- Allen IE, Olkin I. JAMA. 1999;282(7):634–5. doi:10.1001/jama.282.7.634
- Borah R, et al. BMJ Open. 2017;7:e012545. doi:10.1136/bmjopen-2016-012545
- Nussbaumer-Streit B, et al. J Clin Epidemiol. 2021;139:287–96. doi:10.1016/j.jclinepi.2021.05.019
- Shemilt I, et al. Syst Rev. 2016;5:140. doi:10.1186/s13643-016-0315-4
- Hartling L, et al. BMJ. 2009;339:b4012. doi:10.1136/bmj.b4012
- Minozzi S, et al. J Clin Epidemiol. 2020;126:37–44. doi:10.1016/j.jclinepi.2020.06.015
- Gartlehner G, et al. J Clin Epidemiol. 2020;121:20–8. doi:10.1016/j.jclinepi.2020.01.005
- O'Mara-Eves A, et al. Syst Rev. 2015;4:5. doi:10.1186/2046-4053-4-5
- van de Schoot R, et al. Nat Mach Intell. 2021;3:125–33. doi:10.1038/s42256-020-00287-7
- Ferdinands G, et al. Syst Rev. 2023;12:100. doi:10.1186/s13643-023-02257-7
- Xie et al. J Evid Based Med. 2026;19(3):e70166. doi:10.1111/jebm.70166
- Dennstädt F, et al. Syst Rev. 2024;13:158. doi:10.1186/s13643-024-02575-4
- Borissov N, et al. Syst Rev. 2022;11:172. doi:10.1186/s13643-022-02045-9
- De Bruin J, et al. SYNERGY. DataverseNL; 2023. doi:10.34894/HE6NAQ (CC0 1.0)
Métodos
¿Cuánto tiempo puede ahorrar Collie?
Última actualización: 24 de octubre de 2026
Nuestras cifras son estimaciones, no garantías. Dependen del tema, del equipo y de cómo uses Collie. Separamos dos tipos de cifra: tiempos medidos de los pasos que Collie automatiza y horas humanas estimadas a partir de estudios publicados.
1. Qué medimos
Ejecutamos Collie en local en un equipo (Intel Core Ultra 9, 31 GB de RAM, Windows 11, R 4.5.3), 3 ejecuciones por paso, cada una en una revisión nueva. Datos: el conjunto público SYNERGY de una revisión sobre trayectorias de TEPT (4.469 registros obtenidos de OpenAlex), más un segundo archivo con 294 copias reformateadas de los registros que la búsqueda original listó dos veces, de modo que conocíamos cada duplicado real. El metaanálisis usó los 13 ensayos de la vacuna BCG que distribuye el paquete de R metadat. Los tiempos son solo de la parte automatizada e incluyen la petición al servidor local.
Medido en una instalación local (mediana, rango de 3 ejecuciones)
| Paso | Tiempo |
|---|
| Importar 4.469 registros RIS y detectar duplicados | 0,93 s (0,81–0,98) |
| Importar un segundo archivo RIS (294 registros) y detectar duplicados entre 4.763 | 0,43 s (0,43–0,46) |
| PubMed: recuento en vivo de una búsqueda de dos conceptos | 1,2 s (1,2–1,5) |
| PubMed: importación en vivo de 500 registros con control de duplicados | 7,0 s (6,1–7,6) |
| Ordenación por relevancia de unos 5.260 registros (sin conexión) | 0,44 s (0,39–0,50) |
| Metaanálisis de efectos aleatorios en R (k = 13) con gráficos de bosque, embudo y leave-one-out | 5,2 s (5,0–5,3); 6,4 s con SVG, PNG, PDF y TIFF a 600 ppp |
| Figuras de riesgo de sesgo (semáforo y resumen; SVG, PNG, PDF) | 4,2 s (4,1–4,7) |
| Recuentos del diagrama PRISMA 2020; lista de verificación PRISMA 2020 | menos de 0,1 s cada uno |
Duplicados: los 294 pares plantados se señalaron en todas las ejecuciones. Collie también señaló 7 grupos de menor similitud para que una persona los juzgue, como un preprint y su versión publicada. Collie nunca fusiona registros por su cuenta. Es un único conjunto de datos con diferencias de formato artificiales; las exportaciones reales de varias bases son más desordenadas, así que no afirmamos una exactitud general. El servicio alojado funciona por internet y pone en cola las tareas de R, por lo que allí los tiempos absolutos son mayores.
2. Cuánto cuesta el trabajo manual, según estudios publicados
Referencias publicadas (por revisor, salvo indicación)
| Tarea | Cifra publicada | Fuente |
|---|
| Metaanálisis completo | mediana de 1.110 horas-persona (rango 216–2.518) | Allen & Olkin 1999 |
| Del registro a la publicación | mediana de 65,8 semanas (rango 6–186) | Borah et al. 2017 |
| Cribado de títulos/resúmenes | de unos 21 s a 7,7 min por registro; 1 min como valor de planificación | Nussbaumer-Streit et al. 2021; Shemilt et al. 2016 |
| Cribado a texto completo | 4,3–5 min por artículo, más unos 4 min para obtenerlo | Nussbaumer-Streit et al. 2021; Shemilt et al. 2016 |
| Extracción de datos | 41–65 min por estudio (una persona); 107 min con verificación; 172 min en pareja | Nussbaumer-Streit et al. 2021 |
| Riesgo de sesgo | 8,8 min (RoB 1) a 28 min por desenlace de estudio (RoB 2) | Hartling et al. 2009; Minozzi et al. 2020 |
| Cribado simple frente a doble | un solo revisor omitió el 13% de los estudios relevantes | Gartlehner et al. 2020 |
| Minería de texto y cribado priorizado | 30–70% menos esfuerzo de cribado; 64–92% en simulaciones de aprendizaje activo con 95% de exhaustividad | O'Mara-Eves et al. 2015; van de Schoot et al. 2021; Ferdinands et al. 2023 |
| Cribado con IA (modelos de lenguaje) | sensibilidad agrupada 0,92 (0,81–0,96), especificidad 0,94 (0,90–0,97); los estudios individuales varían mucho | Xie et al. 2026; Dennstädt et al. 2024 |
| Deduplicación | unos 70 min a mano por conjunto; métodos automáticos 2–109 s | Borissov et al. 2022 |
Advertencias: Allen & Olkin son datos de 1999 de una sola empresa; Borah mide tiempo de calendario, no esfuerzo; las cifras por tarea mezclan mediciones y supuestos de planificación; los resultados de priorización son simulaciones que aceptan omitir hasta el 5% de los estudios relevantes; el cribado con IA depende del prompt, de los criterios, del conjunto de datos y de la versión del modelo.
3. El modelo detrás de la calculadora
Para cada etapa comparamos horas manuales con horas usando Collie, en tres escenarios: conservador (menores tiempos y ahorros), central y optimista (mayores). El tiempo que las personas dedican a leer, juzgar y decidir sigue en la columna "con Collie".
- Cribado de títulos/resúmenes: 0,5, 1 o 2,5 min por registro y revisor. La cola ordenada y las sugerencias de IA de Collie ahorran el 30%, 50% o 70%. Las personas siguen decidiendo cada registro, y el ahorro solo aplica si el equipo usa el revisor de IA (tu propio agente de IA conectado).
- Cribado a texto completo, extracción de datos y juicios de riesgo de sesgo: no declaramos ahorro. Cuentan igual en ambas columnas.
- Deduplicación, metaanálisis con figuras, figuras de riesgo de sesgo e informe PRISMA: supuestos nuestros (por ejemplo, 16 h a mano frente a 4 h con Collie para análisis y figuras en el escenario central), muy por debajo de las 144 h que Allen & Olkin informaron para el análisis estadístico.
- Textos completos evaluados = 3 × estudios incluidos. Protocolo, diseño de la búsqueda, GRADE y redacción quedan fuera de alcance.
Revisión típica: 3.000 registros, 2 revisores, 30 estudios incluidos (horas estimadas)
| Escenario | Manual | Con Collie | Ahorrado |
|---|
| Conservador | 117 h | 99 h | 18 h (16%) |
| Central | 225 h | 158 h | 67 h (30%) |
| Optimista | 475 h | 258 h | 217 h (46%) |
La mayor parte del ahorro estimado viene del cribado de títulos/resúmenes, así que crece con el número de registros. Los totales cubren solo las etapas modeladas, no una revisión completa.
4. Límites
- El ahorro en el cribado proviene de estudios de otras herramientas y contextos, no de un ensayo con Collie.
- No medimos el tiempo que las personas pasan en la interfaz de Collie, ni la calidad del cribado o la extracción con IA.
- Los tiempos provienen de un equipo rápido y una base de datos local.
- Los scripts del benchmark, los tiempos brutos y el modelo se guardan junto al código fuente de Collie para poder repetirlos.
5. Fuentes
Las mismas que en la versión en inglés (artículos publicados en inglés):
- Allen IE, Olkin I. JAMA. 1999;282(7):634–5. doi:10.1001/jama.282.7.634
- Borah R, et al. BMJ Open. 2017;7:e012545. doi:10.1136/bmjopen-2016-012545
- Nussbaumer-Streit B, et al. J Clin Epidemiol. 2021;139:287–96. doi:10.1016/j.jclinepi.2021.05.019
- Shemilt I, et al. Syst Rev. 2016;5:140. doi:10.1186/s13643-016-0315-4
- Hartling L, et al. BMJ. 2009;339:b4012. doi:10.1136/bmj.b4012
- Minozzi S, et al. J Clin Epidemiol. 2020;126:37–44. doi:10.1016/j.jclinepi.2020.06.015
- Gartlehner G, et al. J Clin Epidemiol. 2020;121:20–8. doi:10.1016/j.jclinepi.2020.01.005
- O'Mara-Eves A, et al. Syst Rev. 2015;4:5. doi:10.1186/2046-4053-4-5
- van de Schoot R, et al. Nat Mach Intell. 2021;3:125–33. doi:10.1038/s42256-020-00287-7
- Ferdinands G, et al. Syst Rev. 2023;12:100. doi:10.1186/s13643-023-02257-7
- Xie et al. J Evid Based Med. 2026;19(3):e70166. doi:10.1111/jebm.70166
- Dennstädt F, et al. Syst Rev. 2024;13:158. doi:10.1186/s13643-024-02575-4
- Borissov N, et al. Syst Rev. 2022;11:172. doi:10.1186/s13643-022-02045-9
- De Bruin J, et al. SYNERGY. DataverseNL; 2023. doi:10.34894/HE6NAQ (CC0 1.0)