Using Propensity Score Modeling to Minimize the Influence of Confounding Risks Related to Prenatal Tobacco Exposure
Notice bibliographique
Résumé
INTRODUCTION: Despite efforts to control for confounding variables using stringent sampling plans, selection bias typically exists in observational studies, resulting in unbalanced comparison groups. Ignoring selection bias can result in unreliable or misleading estimates of the causal effect. METHODS: Generalized boosted models were used to estimate propensity scores from 42 confounding variables for a sample of 361 neonates. Using emergent neonatal attention and orientation skills as an example developmental outcome, we examined the impact of tobacco exposure with and without accounting for selection bias. Weight at birth, an outcome related to tobacco exposure, also was used to examine the functionality of the propensity score approach. RESULTS: Without inclusion of propensity scores, tobacco-exposed neonates did not differ from their nonexposed peers in attention skills over the first month or in weight at birth. When the propensity score was included as a covariate, exposed infants had marginally lower attention and a slower linear change rate at 4 weeks, with greater quadratic deceleration over the first month. Similarly, exposure-related differences in birth weight emerged when propensity scores were included as a covariate. CONCLUSIONS: The propensity score method captured the selection bias intrinsic to this observational study of prenatal tobacco exposure. Selection bias obscured the deleterious impact of tobacco exposure on the development of neonatal attention. The illustrated analytic strategy offers an example to better characterize the impact of prenatal tobacco exposure on important developmental outcomes by directly modeling and statistically accounting for the selection bias from the sampling process.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».