The Multitime Case-control Design for Time-varying Exposures
Notice bibliographique
Résumé
BACKGROUND: The conventional approach to improve precision of the odds ratio in a case-control study is to increase the number of controls per case. With time-varying exposures, an alternative is to increase the number of observations per control. METHOD: We present the multitime case-control design, which uses multiple control person-moments of exposure within each control subject. The point and variance estimators of the odds ratio are corrected for within-subject correlation. We illustrate this approach using case-control data from studies of the effects of respiratory medications. RESULTS: Simulations show that, with uncorrelated exposures, it is possible to reduce the variance of the odds ratio by around 30% by increasing the number of control person-moments per subject. With correlated exposures, an accurate variance can be obtained by correcting for within-subject correlation. The corrected variance increases with increasing correlation, depending on the number of control person-moments. The first illustration shows that the rate ratio (RR) of cardiac death associated with β-agonist use, not estimable with 1 control per case (30 cases) and 1 control person-moment, was 4.2 (95% confidence interval = 0.4-49) with 12 control person-moments. The second example finds a rate ratio of acute myocardial infarction associated with antibiotics of 2.00 (1.16-3.44) with 1 control per case, which improves in precision with 10 control subjects per case (RR = 2.13 [1.48-3.05]) but also with 1 control per case and 10 control person-moments per control subject (1.99 [1.36-2.90]). CONCLUSION: When dealing with time-varying exposures, the multitime case-control design can increase the efficiency of conventional case-control studies without additional control subjects.
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 | 0,005 | 0,048 |
| 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 ».