Survival Bias Associated with Time-to-Treatment Initiation in Drug Effectiveness Evaluation: A Comparison of Methods
Notice bibliographique
Résumé
The authors compared five methods of studying survival bias associated with time-to-treatment initiation in a drug effectiveness study using medical administrative databases (1996-2002) from Quebec, Canada. The first two methods illustrated how survival bias could be introduced. Three additional methods were considered to control for this bias. Methods were compared in the context of evaluating statins for secondary prevention in elderly patients post-acute myocardial infarction who initiated statins within 90 days after discharge and those who did not. Method 1 that classified patients into users and nonusers at discharge resulted in an overestimation of the benefit (38% relative risk reduction at 1 year). In method 2, following users from the time of the first prescription and nonusers from a randomly selected time between 0 and 90 days attenuated the effect toward the null (10% relative risk reduction). Method 3 controlled for survival bias by following patients from the end of the 90-day time window; however, it suffered a major loss of statistical efficiency and precision. Method 4 matched prescription time distribution between users and nonusers at cohort entry. Method 5 used a time-dependent variable for treatment initiation. Methods 4 and 5 better controlled for survival bias and yielded similar results, suggesting a 20% risk reduction of recurrent myocardial infarction or death events.
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 | 0,458 | 0,632 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,013 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».