Event Charts for the Analysis of Adverse Events in Longitudinal Studies: An Example from a Smoking Cessation Pharmacotherapy Trial
Notice bibliographique
Résumé
Purpose: To illustrate the use of one particular graphical method, the event chart (Lee et al., 2000), for the display of adverse events (AE’s), along with other important considerations such as time on treatment/intervention, severity of AE’s, treatment assignment, gender, etc., in longitudinal studies. These graphs can also include other key information such as efficacy measures and time-dependent covariates of interest. Methods: Emphasizing an application of a dose-ranging smoking cessation trial of naltrexone, we use event charts to convey a few potentially interesting findings from the complex data from this trial, with particular attention paid to the analysis of the safety (AE) data from the subset of individuals who dropped out before the end of the treatment phase of the study Results: The event charts conveyed some interesting findings regarding relationships between gender, AE’s and dropout time, as well as between treatment group, AE’s and dropout time, and between AE burden and dropout time. Conclusion: Event charts can be one of the helpful exploratory tools in investigating the pattern of adverse events and their possible association with covariates and time on treatment/intervention in longitudinal studies. Findings from the event chart analysis of AE’s could potentially lead to more formal statistical analysis and modeling. Software for generating these event charts is available in R and S-Plus.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,069 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».