Interpreting Long-Term Trends in Time Series Intervention Studies of Smoke-Free Legislation and Health
Notice bibliographique
Résumé
Background: Numerous studies have investigated the impact of smoke-free laws on health outcomes. Large differences in estimates are in part attributable to how the long-term trend is modelled. However, the choice of appropriate trend is not always straightforward. We explore these complexities in an analysis of myocardial infarction (MI) mortality in England before and after the introduction of smoke-free legislation in July 2007. Methods: Weekly rates of MI mortality among men aged 40+ between July 2002 and December 2010 were analysed using quasi-Poisson generalised additive models. We explore two ways of modelling the long-term trend: (1) a parametric approach, where we fix the shape of the trend, and (2) a penalised spline approach, in which we allow the model to decide on the shape of the trend. Results: While both models have similar measures of fit and near identical fitted values, they have different interpretations of the legislation effect. The parametric approach estimates a significant immediate reduction in mortality rate of 13.7% (95% CI: 7.5, 19.5), whereas the penalised spline approach estimates a non-significant reduction of 2% (95% CI:-0.9, 4.8). After considering the implications of the models, evidence from sensitivity analyses and other studies, we conclude that the second model is to be preferred. Conclusions: When there is a strong long-term trend and the intervention of interest also varies over time, it is difficult for models to separate out the two components. Our recommendations will help further studies determine the best way of modelling their data.
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 | 0,008 | 0,005 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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; 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 ».