Bayesian correction for measurement error following group-based exposure assessment in a case-referent study
Notice bibliographique
Résumé
<h3>Objectives</h3> We applied Bayesian analysis to case-referent data on occupational noise exposure and death from ischaemic heart disease (IHD) and contrast analyses with and without correction for measurement error in group-level noise exposure estimates. <h3>Methods</h3> A 1:1 matched case-referent study nested in an industrial cohort in England resulted in 117 matched sets; 7225 area noise measurements in dBA from 215 buildings were the basis of modeling building-specific average exposures during the decade of in service IHD death. An additive quasi-Berkson error model was assumed. Bayesian analysis was conducted under varying assumptions about magnitude of error (with SD of error (SDe) up to 10 dBA) and a prior strength of hypothesis (flat vs informative -- 98% range (1.00,1.02) -- prior on OR). All analyses ignored matching and were conducted without adjustment for confounders to estimate log(OR)/dBA in a logistic disease model. <h3>Results</h3> Analysis not corrected for measurement error with flat prior yielded OR 0.99 (95% CrI 0.96–1.02). With flat prior on OR with measurement error correction, OR had 95% CrI 0.97–1.02; with informative prior on the association, the corresponding OR is 1.01, 95% CrI 1.00–1.02, same as prior. The posterior distribution of SDe had median 1.6 (95% CrI 1.2–2.0) dBA. <h3>Conclusions</h3> Measurement error did not bias the uncorrected results. Conditional logistic regression with adjustment for confounders is congruent with Bayesian analysis (115 pairs, OR 0.98, 95% CI 0.94 to 1.02). Analysis provided insights into plausible magnitudes of measurement error in the study. Extension of this methodology to consider matching, confounders and retrospective nature of data is required.
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 | 0,001 | 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 ».