0381 Adjustment for multiple comparisons in a job and industry-title analysis of a case-control study of prostate cancer
Notice bibliographique
Résumé
<h3>Objectives</h3> To evaluate the impacts of empirical Bayes (EB) and semi-Bayes (SB) adjustment to account for multiple testing in a hypothesis-generating study of prostate cancer (PCa) risk by occupation and industry. <h3>Method</h3> The study population comprises 1937 PCa cases and 1995 population controls aged 40–75 years, all residing in Montreal. Odds ratios (OR) and 95% confidence intervals (CI) of PCa risk for ever employment in an occupation and industry were estimated using unconditional logistic regression models adjusted for age, ancestry, and family history of PCa. EB and SB adjustment was applied to the estimates, with prior variances of 0.15, 0.25 and 0.35 selected for SB. Occupation and industry effects were considered mutually exchangeable, with the risk estimates shrunk towards their respective global mean. <h3>Results</h3> 5 of the 89 occupations and 3 of the 63 industries had a significantly elevated PCa risk prior to EB/SB adjustment, compared to an expected 2 and 1.5 categories due to random chance. The only positive association remaining significant following EB was for subjects ever employed in government (OR=1.4, 95% CI 1.1–1.5). The remaining elevated PCa risks with SB were found for employment in social science occupations (OR=1.5, 95% CI 1.1–2.0) and for forestry workers (OR=1.7, 95% CI 1.1–2.6), in addition to government (OR=1.4, 95% CI 1.1–1.7). The choice of prior variance had a negligible impact on the estimates. <h3>Conclusions</h3> The use of EB and SB reduced the number of positive associations compared to the unadjusted estimates. The elevated PCa risk observed for employment in government remained consistent across the adjustment approaches.
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 | 0,001 |
| 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 ».