Improving Population Attributable Fraction Methods: Examining Smoking-attributable Mortality for 87 Geographic Regions in Canada
Notice bibliographique
Résumé
Smoking-attributable mortality (SAM) is the number of deaths in a population caused by smoking. In this study, the authors examined and empirically quantified the effects of methodological problems in the estimation of SAM through population attributable fraction methods. In addition to exploring common concerns regarding generalizability and residual confounding in relative risks, the authors considered errors in measuring estimates of risk exposure prevalence and mortality in target populations and estimates of relative risks from etiologic studies. They also considered errors resulting from combining these three sources of data. By modifying SAM estimates calculated using smoking prevalence obtained from the 2000-2001 Canadian Community Health Survey, a population-based survey of 131,535 Canadian households, the authors observed the following effects of potential errors on estimated national SAM (and the range of effects on 87 regional SAMs): 1) using a slightly biased, mismatched definition of former smoking: 5.3% (range, 1.8% to 11.6%); 2) using age-collapsed prevalence and relative risks: 6.9% (range, 1.1% to 15.5%) and -15.4% (range, -7.9% to -21.0%), respectively; 3) using relative risks derived from the same cohort but with a shorter follow-up period: 8.7% (range, 4.5% to 11.8%); 4) using relative risks for all diseases with age-collapsed prevalence: 49.7% (range, 24.1% to 82.2%); and 5) using prevalence estimates unadjusted for exposure-outcome lag: -14.5% (range, -20.8% to 42.6%) to -1.4% (range, -0.8% to -2.7%), depending on the method of adjustment. Applications of the SAM estimation method should consider these sources of potential error.
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 | 0,014 | 0,015 |
| 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 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 ».