Beyond intention to treat: What is the right question?
Notice bibliographique
Résumé
BACKGROUND: Most methodologists recommend intention-to-treat (ITT) analysis in order to minimize bias. Although ITT analysis provides an unbiased estimate for the effect of treatment assignment on the outcome, the estimate is biased for the actual effect of receiving treatment (active treatment) compared to some comparison group (control). Other common analyses include measuring effects in (1) participants who follow their assigned treatment (Per Protocol), (2) participants according to treatment received (As Treated), and (3) those who would comply with recommended treatment (Complier Average Causal Effect (CACE) as estimated by Principal Stratification or Instrumental Variable Analyses). As each of these analyses compares different study subpopulations, they address different research questions. PURPOSE: For each type of analysis, we review and explain (1) the terminology being used, (2) the main underlying concepts, (3) the questions that are answered and whether the method provides valid causal estimates, and (4) the situations when the analysis should be conducted. METHODS: We first review the major concepts in relation to four nuances of the clinical question, 'Does treatment improve health?' After reviewing these concepts, we compare the results of the different analyses using data from two published randomized controlled trials (RCTs). Each analysis has particular underlying assumptions and all require dichotomizing adherence into Yes or No. We apply sensitivity analyses so that intermediate adherence is considered (1) as adherence and (2) as non-adherence. RESULTS: The ITT approach provides an unbiased estimate for how active treatment will improve (1) health in the population if a policy or program is enacted or (2) health of patients if a clinician changes treatment practice. The CACE approach generally provides an unbiased estimate of the effect of active treatment on health of patients who would follow the clinician's advice to take active treatment. Unfortunately, there is no current analysis for clinicians and patients who want to know whether active treatment will improve the patient's health if taken, which is different from the effect in patients who would follow the clinician's advice to take active treatment. Sensitivity analysis for the CACE using two published data sets suggests that the underlying assumptions appeared to be violated. LIMITATIONS: There are several methods within each analytical approach we describe. Our analyses are based on a subset of these approaches. CONCLUSIONS: Although adherence-based analyses may provide meaningful information, the analytical method should match the clinical question, and investigators should clearly outline why they believe assumptions hold and should provide empirical tests of the assumptions where possible.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,631 | 0,821 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,015 | 0,008 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,004 | 0,033 |
| Communication savante | 0,015 | 0,021 |
| Science ouverte | 0,009 | 0,004 |
| Intégrité de la recherche | 0,022 | 0,036 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,004 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».