Estimating and testing for center effects in competing risks
Notice bibliographique
Résumé
The problems of fitting Gaussian frailties proportional hazards models for the subdistribution of a competing risk and of testing for center effects are considered. In the analysis of competing risks data, Fine and Gray proposed a proportional hazards model for the subdistribution to directly assess the effects of covariates on the marginal failure probabilities of a given failure cause. Katsahianbiet al. extended their model to clustered time to event data, by including random center effects or frailties in the subdistribution hazard. We first introduce an alternate estimation procedure to the one proposed by Katsahian et al. This alternate estimation method is based on the penalized partial likelihood approach often used in fitting Gaussian frailty proportional hazards models in the standard survival analysis context, and has the advantage of using standard survival analysis software. Second, four hypothesis tests for the presence of center effects are given and compared via Monte-Carlo simulations. Statistical and numerical considerations lead us to formulate pragmatic guidelines as to which of the four tests is preferable. We also illustrate the proposed methodology with registry data from bone marrow transplantation for acute myeloid leukemia (AML).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,181 | 0,459 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».