Bayesian modelling of lung cancer risk and bitumen fume exposure adjusted for unmeasured confounding by smoking
Notice bibliographique
Résumé
OBJECTIVES: Residual confounding can be present in epidemiological studies because information on confounding factors was not collected. A Bayesian framework, which has the advantage over frequentist methods that the uncertainty in the association between the confounding factor and exposure and disease can be reflected in the credible intervals of the risk parameter, is proposed to assess the magnitude and direction of this bias. METHODS: To illustrate this method, bias from smoking as an unmeasured confounder in a cohort study of lung cancer risk in the European asphalt industry was assessed. A Poisson disease model was specified to assess lung cancer risk associated with career average, cumulative and lagged bitumen fume exposure. Prior distributions for the exposure strata, as well as for other covariates, were specified as uninformative normal distributions. The priors on smoking habits were specified as Dirichlet distributions based on smoking prevalence estimates available for a sub-cohort and assumptions about precision of these estimates. RESULTS: Median bias in this example was estimated at 13%, and suggested an attenuating effect on the original exposure-disease associations. Nonetheless, the results still implied an increased lung cancer risk, especially for average exposure. CONCLUSIONS: This Bayesian framework provides a method to assess the bias from an unmeasured confounding factor taking into account the uncertainty surrounding the estimate and from random sampling error. Specifically for this example, the bias arising from unmeasured smoking history in this asphalt workers' cohort is unlikely to explain the increased lung cancer risk associated with average bitumen fume exposure found in the original study.
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 | 0,000 | 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 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 ».