Outcome after mild traumatic brain injury: an examination of recruitment bias
Notice bibliographique
Résumé
OBJECTIVES: Research concerning the natural history after mild traumatic brain injury (TBI) faces a number of methodological challenges, including those related to subject recruitment. The aim of this study was to determine whether subjects who agree to participate in longitudinal research differ from those who do not. The presence of identifiable, selective factors operating during recruitment may be an important source of systematic bias. In Canada, given the presence of universal healthcare coverage, this issue can be examined using population based, administrative databases to obtain information about a cohort that was approached for study enrollment, regardless of whether they ultimately agreed to participate. METHODS: A sample of 626 consecutive patients with mild TBI was invited to enroll in TBI outcome research. Those who agreed to participate (n=272) were compared with those who refused (n=354) on demographic, past health, and injury related variables. Thereafter, using encrypted health card data, the two groups were contrasted with respect to pre-injury and post-injury healthcare utilisation. RESULTS: No premorbid differences between the groups emerged. However, all early indices of TBI severity were significantly worse for the participants group (p<0.001). Consistent with these findings, healthcare utilisation rates were no different before injury, but were significantly increased after injury for the participants (p<0.001), even beyond the period of study enrollment (p<0.001). Differences remained even after controlling for those with significant non-TBI injuries. CONCLUSIONS: Premorbid factors did not predict whether patients comply with, or refuse study participation. However, the participants group was biased toward those with more significant injuries, which translated into higher rates of healthcare utilisation after injury. These results strike a cautionary note, given the apparent systematic bias influencing enrollment in longitudinal studies of mild TBI.
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 | 0,379 | 0,457 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».