Abstract P190: Do We Combine the Data for Analysis from VENUS and MARS? The Time Has Come for Consistent Sex-Based Analysis of Health Outcome Data
Notice bibliographique
Résumé
Background Previous investigations by our group have consistently identified important sex differences in HRQOL outcomes of patients with CAD with women reporting poorer HRQOL compared with men. The purpose of this study was to extend our previous work to determine whether sex differences and/or associations in bivariate analyses may provide insight in the modeling of health outcomes data. Method A descriptive analysis of the variables was performed. Sex differences on all variables were examined using t test and Chi-square analyses. The relationships between all clinical, demographic, socio-demographic and HRQOL outcome variables were examined stratified by sex. Results 7062, 1- year HRQOL questionnaires were collected on patients catheterized between Jan 2006 and Dec 2009. 20.8% (1468 of 7062) were from women. Statistically significant sex differences were noted in 10/23 clinical and all 8 of the sociodemographic variables measured. A critical sex difference in the nature of the relationship between depression scores and age was identified. Whereas a quadratic relationship was seen in the men's group, the relationship in the women's group was cubic (figure 1). This implies that analyzing data by including sex, age, and depression scores in the same model will in essence sacrifice the unique nature of the relationship for at least one sex. Conclusions Our data suggests that sex-based analyses should be conducted particularly when modeling predictors of HRQOL outcome. Failing to do so may result in misleading conclusions that will miss opportunities to intervene early in clinically treatable circumstances and to improve the outcomes of men and women with CAD.
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 | 0,048 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».