Methods of competing risks analysis of end-stage renal disease and mortality among people with diabetes
Notice bibliographique
Résumé
BACKGROUND: When a patient experiences an event other than the one of interest in the study, usually the probability of experiencing the event of interest is altered. By contrast, disease-free survival time analysis by standard methods, such as the Kaplan-Meier method and the standard Cox model, does not distinguish different causes in the presence of competing risks. Alternative approaches use the cumulative incidence estimator by the Cox models on cause-specific and on subdistribution hazards models. We applied cause-specific and subdistribution hazards models to a diabetes dataset with two competing risks (end-stage renal disease (ESRD) or death without ESRD) to measure the relative effects of covariates and cumulative incidence functions. RESULTS: In this study, the cumulative incidence curve of the risk of ESRD by the cause-specific hazards model was revealed to be higher than the curves generated by the subdistribution hazards model. However, the cumulative incidence curves of risk of death without ESRD based on those three models were very similar. CONCLUSIONS: In analysis of competing risk data, it is important to present both the results of the event of interest and the results of competing risks. We recommend using either the cause-specific hazards model or the subdistribution hazards model for a dominant risk. However, for a minor risk, we do not recommend the subdistribution hazards model and a cause-specific hazards model is more appropriate. Focusing the interpretation on one or a few causes and ignoring the other causes is always associated with a risk of overlooking important features which may influence our interpretation.
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 | 0,035 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».