Comparison of alternative models for linking drug exposure with adverse effects
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
Pharmacoepidemiology investigates associations between time-varying medication use/dose and risk of adverse events. Applied research typically relies on a priori chosen simple conventional models, such as current dose or any use in the past 3 months. However, different models imply different risk predictions, and only one model can be etiologically correct in any specific applications. We first formally defined several candidate models mapping the time vector of past drug doses (X (t), t = 1, … ,u) into the value of a time-varying exposure metric M(u) at current time u. In addition to conventional one-parameter models, we considered two-parameter models accounting for recent dose increase or withdrawal and a flexible spline-based weighted cumulative exposure (WCE) model that defines M(u) as the weighted sum of past doses. In simulations, we generated event times assuming one of the models was correct and then analyzed the data with all candidate models. We demonstrated that the minimum AIC criterion is able to identify the correct model as the best-fitting model or one of the equivalent (within 4 AIC points of the minimum) models in a vast majority of simulated samples, especially with 500 or more events. We also showed how relying on an incorrect a priori chosen model may largely reduce the power to test for an association. Finally, we demonstrated how the flexible WCE estimates may help with model diagnostics even if the correct model is not WCE. We illustrated the practical advantages of AIC-based a posteriori model selection and WCE modeling in a real-life pharmacoepidemiology example.
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 | 0,003 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle