Bias–variance trade‐off in pharmacoepidemiological studies using physician‐preference‐based instrumental variables: a simulation study
Notice bibliographique
Résumé
PURPOSE: Instrumental variables (IV) methodology removes bias due to unobserved confounding by replacing in the analysis the treatment with another variable--the instrument--that is well correlated with the treatment and independent of confounders. Recently, physician drug preference, operationalized as the treatment prescribed to the previous patient of the same physician, was proposed as an instrument in database studies comparing two competing drugs. We assessed, in simulations, how the performance of the IV estimates depends on the strength of this instrument. METHODS: The 'physician preference' instrument correlates well with the treatment only if physician preferences affect the treatment received by a large fraction of patients. Yet, often there is a subgroup of patients whose treatment cannot be affected by physician's preferences. The larger this subgroup is, the weaker the instrument. We investigated the impact of weakening this instrument on the performance of IV estimates, by comparing risk difference estimates from the conventional and IV analyses in the presence of an unobserved confounder, for both continuous and binary outcomes. RESULTS: The IV estimates were uniformly less biased than the conventional estimates, but had higher variance. Accordingly, the bias-variance trade-off favors the IV estimates only when physician' preference is a strong instrument. Still, the coverage rate of the 95%CI for the IV estimates was very close to the nominal 95%, while it was consistently lower for the conventional estimates. CONCLUSION: Researchers should consider using the 'physician preference' instrument when comparing two competing drugs, but should be aware of the underlying assumptions.
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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».