Adjustment for time-dependent unmeasured confounders in marginal structural Cox models using validation sample data
Notice bibliographique
Résumé
Large databases used in observational studies of drug safety often lack information on important confounders. The resulting unmeasured confounding bias may be avoided by using additional confounder information, frequently available in smaller clinical "validation samples". Yet, no existing method that uses such validation samples is able to deal with unmeasured time-varying variables acting as both confounders and possible mediators of the treatment effect. We propose and compare alternative methods which control for confounders measured only in a validation sample within marginal structural Cox models. Each method corrects the time-varying inverse probability of treatment weights for all subject-by-time observations using either regression calibration of the propensity score, or multiple imputation of unmeasured confounders. Two proposed methods rely on martingale residuals from a Cox model that includes only confounders fully measured in the large database, to correct inverse probability of treatment weight for imputed values of unmeasured confounders. Simulation demonstrates that martingale residual-based methods systematically reduce confounding bias over naïve methods, with multiple imputation including the martingale residual yielding, on average, the best overall accuracy. We apply martingale residual-based imputation to re-assess the potential risk of drug-induced hypoglycemia in diabetic patients, where an important laboratory test is repeatedly measured only in a small sub-cohort.
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 | 0,024 | 0,182 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».