A mixed model approach for intent-to-treat analysis in longitudinal clinical trials with missing values
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Missing values and dropouts are common issues in longitudinal studies in all areas of medicine and public health. Intent-to-treat (ITT) analysis has become a widely accepted method for the analysis of controlled clinical trials. In most controlled clinical trials, some patients do not complete their intended followup according to the protocol for a variety of reasons; this problem generates missing values. Missing values lead to concern and confusion in identifying the ITT population, which makes the data analysis more complex and challenging. No adequate strategy exists for ITT analyses of longitudinal controlled clinical trial data with missing values. Several ad hoc strategies for dealing with missing values for an ITT analysis are common in the practice of controlled clinical trials. We performed a detailed investigation based on simulation studies to develop recommendations for this situation. We compared sizes (type I errors) and power between some popular ad hoc approaches and the linear mixed model approach under different missing value scenarios. Our results suggest that, for studies with a high percentage of missing values, the mixed model approach without any ad hoc imputation is more powerful than other options.
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.
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 | 0,108 | 0,619 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 découle