The virtues of a deliberately mis-specified disease model in demonstrating a gene-environment interaction
Notice bibliographique
Résumé
OBJECTIVES: This study seeks to assess the impact of measurement errors in cumulative exposure on estimates of a gene-environment interaction in a nested case-control study in occupational epidemiology. In the approach considered here, exposure intensity is assessed at the group level and the exposure duration individually (both with error). Genetic susceptibility is assumed to be known exactly. Differences in "gene" are assumed to affect disease risk only in exposed subjects. METHODS: Three data analysis strategies were considered: one using a correctly specified disease model (exposure and exposure-gene interaction), and two using mis-specified disease models, one with "gene" as the only risk factor ("gene-only" model) and the other with main effects of both gene and exposure along with their interaction ("full" model). RESULTS: In simulations, estimates of the gene-environment interaction based on the correctly specified disease model were greatly attenuated and power was diminished appreciably even when errors in exposure were modest. Significant associations were detected more frequently in the gene-only model when errors in exposure were large. When the "full" mis-specified model was fitted to the simulated data, it yielded erratic estimates. This is illustrated in an analysis of the interaction of cumulative exposure to organophosphate pesticides and paraoxonase gene on the risk of chronic neuropsychological effects among farmers who dip sheep. CONCLUSION: If "gene" contributes to disease risk only in the presence of exposure, the existence of the gene-environment interaction can be efficiently inferred from a deliberately mis-specified "gene-only" disease model in nested case-control studies.
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 | 0,000 | 0,000 |
| 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 ».