Understanding the Relationship Between Risks and Odds Ratios
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
BACKGROUND: Many articles provide only odds ratios (OR) and non relative risks (RR) as the effect estimate. For a variety of important reasons, multiple logistic regression used to adjust for confounders routinely provides only the adjusted OR (ORadj). However, from the clinician's perspective, the ORadj is only easily interpretable when it approximates the adjusted RR (RRadj). In general, the relationship between the OR and RR (adjusted or nonadjusted) is dependent on prevalence of disease in the control group (Po) and has always been presented as nonlinear. Therefore, it is difficult for the clinician to convert the OR to RR when reading the published data. A formula was proposed by Zhang and Yu, but the relationship remains nonlinear. OBJECTIVE: To develop a simple method to convert OR to RR without the use of computer. METHODS: Algebraic manipulation. RESULTS: Through algebraic manipulation, we show that although the OR and RR relationship is nonlinear over the range Po, the ratio OR/RR has a linear relationship with Po with a slope of "OR-1": OR/RR=(OR-1)xPo+1. This makes the prediction of RR on the basis of OR more transparent. It is clear that if Po is small, the RR approximates the OR, but only if the OR is also small. Previous problems with confidence intervals noted with the Zhang and Yu formula remain (ie, they are too narrow under some conditions) and the result should be interpreted with this limitation. Relationships between ORadj and risk difference or number needed to treat remain curvilinear, but some overall approximations can be made. CONCLUSION: A simple relationship exists that allows readers to easily convert ORadj to RRadj. Limitations of the approach remain but seem to be less restrictive than the limitations of not converting ORadj to RRadj.
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 | 0,005 | 0,006 |
| 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 | 0,001 |
| 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 découle