Analysis of Multiple Exposures
Notice bibliographique
Résumé
BACKGROUND: Analysts of epidemiologic data often contend with the problem of estimating the independent effects of many correlated exposures. General approaches include assessing each exposure separately, adjusting for some subset of other exposures, or assessing all exposures simultaneously in a single model such as semi-Bayes modeling. The optimal strategy remains uncertain, and it is unclear to what extent different reasonable approaches influence findings. We provide an empirical comparison of results from several modeling strategies. METHODS: In an occupational case-control study of lung cancer with 184 exposure substances, we implemented 6 modeling strategies to estimate odds ratios for each exposure-cancer association. These included one-exposure-at-a-time models with various confounder selection criteria (such as a priori selection or a change-in-the-estimate criterion) and semi-Bayes models, one version of which integrated information on previous evidence and chemical properties. RESULTS: While distributions of odds ratios were broadly similar across the 6 analytic strategies, there were some differences in point estimates and in substances manifesting statistically significant odds ratios, particularly between strategies with few or no occupational covariates and those with many. Semi-Bayes models produced fewer statistically significant odds ratios than other methods. A simple semi-Bayes model that shrank all the 184 estimates to a common mean yielded nearly identical results to one that integrated considerable prior information. CONCLUSION: Different modeling strategies can lead to different results. Considering the conceptual and pragmatic difficulties of identifying confounders, these results suggest that it would be unwise to place uncritical reliance on any single strategy.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 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 ».