MétaCan
Menu
Retour à la cohorte
Enregistrement W1918795463 · doi:10.2217/cer.15.40

Performance of the disease risk score in a cohort study with policy-induced selection bias

2015· article· en· W1918795463 sur OpenAlexafffund
Mina Tadrous, Muhammad Mamdani, David N. Juurlink, Murray Krahn, Linda E. Lévesque, Suzanne M. Cadarette

Notice bibliographique

RevueJournal of Comparative Effectiveness Research · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueBone health and osteoporosis research
Établissements canadiensQueen's UniversitySunnybrook Health Science CentreInstitute for Clinical Evaluative SciencesUniversity of TorontoToronto Public HealthSt. Michael's Hospital
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicineSelection biasPropensity score matchingCohortCohort studySelection (genetic algorithm)DiseaseDemographyInternal medicinePathology

Résumé

récupéré en direct d'OpenAlex

AIM: To examine the performance of the disease risk score (DRS) in a cohort study with evidence of policy-induced selection bias. METHODS: We examined two cohorts of new users of bisphosphonates. Estimates for 1-year hip fracture rates between agents using DRS, exposure propensity scores and traditional multivariable analysis were compared. RESULTS: The results for the cohort with no evidence of policy-induced selection bias showed little variation across analyses (-4.1-2.0%). Analysis of the cohort with evidence of policy-induced selection bias showed greater variation (-13.5-8.1%), with the greatest difference seen with DRS analyses. CONCLUSION: Our findings suggest that caution may be warranted when using DRS methods in cohort studies with policy-induced selection bias, further research is needed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,985

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0110,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,202
Tête enseignante GPT0,476
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Comparative Effectiveness ResearchMême sujetBone health and osteoporosis researchTravaux en français237 207