A Cautionary Note About Estimating Effects of Secondary Exposures in Cohort Studies
Notice bibliographique
Résumé
Cohort studies are often enriched for a primary exposure of interest to improve cost-effectiveness, which presents analytical challenges not commonly discussed in epidemiology. In this paper, we use causal diagrams to represent exposure-enriched cohort studies, illustrate a scenario wherein the risk ratio for the effect of a secondary exposure on an outcome is biased, and propose an analytical method for correcting for such bias. In our motivating example, maternal smoking (Z) is a cause of fetal growth restriction (X), which subsequently affects preterm birth (Y) (i.e., Z → X → Y); strong positive associations exist between both Z, X and X, Y; and enrichment for X increases its prevalence from 10% to 50%. In the X-enriched cohort, unadjusted and X-adjusted analyses lead to bias in the risk ratio for the total effect of Z on Y. After application of inverse probability weights, the bias is corrected, with a small loss of efficiency in comparison with a same-sized study without X-enrichment. With increasing interest in conducting secondary analyses to reduce research costs, caution should be employed when analyzing studies that have already been enriched, intentionally or unintentionally, for a primary exposure of interest. Causal diagrams can help identify scenarios in which secondary analyses may be biased. Inverse probability weights can be used to remove the bias.
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 | 0,383 | 0,673 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,012 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,010 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».