A Bayesian multilevel model for estimating the diet/disease relationship in a multicenter study with exposures measured with error: The EPIC study
Notice bibliographique
Résumé
In a multicenter study, the overall relationship between diet and cancer risk can be broken down into: (a) within-center relationships, which reflect the relationships at the individual level in each of the centers, and (b) a between-center relationship, which captures the association between exposure and disease risk at the aggregate level. In this work, we propose the use of a Bayesian multilevel model that takes into account the within- and between-center levels of evidence, using information at the individual and aggregate level. Correction for measurement error is performed in order to correct for systematic between-center measurement error in dietary exposure, and for attenuation biases in relative risk estimates within centers. The estimation of the parameters is carried out in a Bayesian framework using Gibbs sampling. The model entails a measurement, an exposure, and a disease component. Within the European Prospective Investigation into Cancer and Nutrition (EPIC) the association between lipid intake, assessed through dietary questionnaire and 24-hour dietary recall, and breast cancer incidence was evaluated. This analysis involved 21 534 women and 334 incident breast cancer cases from the EPIC calibration study. In this study, total energy intake was positively associated with breast cancer incidence at the aggregate level, whereas no effect was observed for fat. At the individual level, height was positively related to breast cancer incidence, whereas a weaker association was observed for fat. The use of multilevel models, which constitute a very powerful approach to estimating individual vs aggregate levels of evidence should be considered in multicenter 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 | 0,001 | 0,002 |
| 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 ».