Application of lag‐time into exposure definitions to control for protopathic bias
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
PURPOSE: To control for protopathic bias, some studies have incorporated the concept of lag-time into their exposure definition (time period before the index date that was not considered in assessing exposure). The objective of this study was to introduce a procedure to identify the best lag-time to be applied in studies where control for protopathic bias is required. METHODS: We used data from a case-control study carried out to assess the association between exposure to proton pump inhibitors (PPIs) and risk of gastric cancer, using RAMQ databases. Exposure was defined as the number of defined daily doses of PPIs dispensed during the 5-year period prior to the index date (divided into four quartiles). Thirty-one different lag-times were applied (0-30 months) based on 1-month intervals. Logistic regression was used to estimate the matched odds ratio (OR) for each lag-time. The change point in the ln(ORs) was identified by applying a two-compartmental model and a segmented regression model. RESULTS: A trend of decreasing ORs was found with the application of an increasing lag-time. As an illustration, the ORs for the 1st quartile of defined daily doses, when applying the 31 different lag-times, ranged between 3.52 when applying a 0 lag-time and 0.97 when applying a 30 months lag-time. Applying the two methods for the different lag-times showed that the ORs stabilized at around 6 months. CONCLUSION: For the purpose of controlling for protopathic bias in pharmacoepidemiological studies, we have provided a method to assess the most appropriate lag-time that should be applied for the assessment of drug exposure.
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 | 0,006 | 0,004 |
| 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 découle