Robust Estimation of State Occupancy Probabilities for Interval-Censored Multistate Data: An Application Involving Spondylitis in Psoriatic Arthritis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract We formulate a three-state illness-death model to estimate the proportion of psoriatic arthritis patients developing spondylitis over time. Data from a longitudinal cohort of patients are available but the transitions in this model are interval-censored for the onset of spondylitis; times of deaths are right-censored. Robust methods for estimating the prevalence of spondylitis over time are described based on differences in marginal survivor functions for state entry times in the spirit of Pepe et al. (Citation1991). Nonparametric estimates (Turnbull, Citation1976) and local likelihood estimates (Loader, Citation1999) of the marginal distributions are derived. Multiplicative intensity Markov regression models are used to examine covariate effects. Keywords: Multistate analysisPsoriatic arthritisRobust estimationSpondylitisState occupancy probabilityMathematics Subject Classification: Primary 62N01, 62M05Secondary 62P10 Acknowledgments This research was supported by grants from the Natural Sciences and Engineering Research Council of Canada and the Canadian Institutes of Health Research. The authors thank Dr. Dafna Gladman for permission to use the data from the University of Toronto Psoriatic Arthritis Clinic, and Drs. Dafna Gladman and Vinod Chandran for helpful discussions. R. J. Cook is Canada Research Chair in Statistical Methods for Health Research. Notes † p-value for test of common covariate effect on0 → 2 and1 → 2 transitions. † p-value for test of common covariate effect on0 → 2 and1 → 2 transitions.
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.
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 | 0,010 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle