Comparing strategies to estimate the association of obesity with mortality via a Markov model
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
We used a first order discrete Markov model to investigate strategies to obtain unbiased estimates of the relative mortality hazard for comparing obese with non-obese participants. This hazard ratio is confounded by the fact that obese participants can be either sick or well, as can non-obese participants, and participants can migrate over time from their initial classification on obesity and health status. The parameters of the model were estimated from national survey data and used to illustrate different analytic approaches. The purpose was to compare analytic approaches and not to provide an analysis of a particular data set. Under this model, short term health-stratum-specific estimates are unbiased for estimating the health-stratumspecific instantaneous mortality hazard ratios from obesity, and updating information on body mass index and disease status during long term follow-up reduces bias. For followup over 10 or 20 years, exclusion of participants with preexisting disease, excluding the first five years of follow-up, and methods of analysis that ignore health status yield biased estimates of the instantaneous mortality hazard ratios. However, over 10 or 20 year time periods, long-term average mortality hazard ratios or cumulative mortality relative risks are a better reflection of the total impact of obesity, including its tendency to accelerate transitions to sickness under this model, than are instantaneous mortality hazard ratios. Over these longer time periods, average relative hazard estimates or cumulative mortality relative risks based on initially well participants, on initially sick participants, and on the combined initial population each provide valuable descriptions of associations of obesity with mortality.
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 | 0,000 | 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 découle