Causal inference in studies of preterm babies: a simulation study
Notice bibliographique
Résumé
OBJECTIVE: Using a simple simulation, we illustrate why associations estimated from studies restricted to preterm births cannot be interpreted causally. DESIGN, SETTING AND POPULATION: Data simulation involving a hypothetical cohort of fetuses who may be healthy or have one or more of four pathological factors (termed A through D, increasing in severity) with known effects on gestational length and risk of mortality. We focus on babies born at ≤32 weeks of gestation. METHODS: We visually represent the simulated population and compare the association between A (which may represent pre-eclampsia) and neonatal death. We then repeat the exercise with D (standing in for chorioamnionitis) as the exposure of interest. MAIN OUTCOME MEASURES: Odds ratios of neonatal death in the simulated data. RESULTS: In most weeks, and for both A and D, the calculated odds ratios are substantially biased and underestimate the true risk of neonatal death associated with each pathology. For example, factor A has a true causal odds ratio of 1.50, yet it appears protective among births ≤32 weeks (estimated crude odds ratio 0.39; gestational age-adjusted odds ratio 0.71). CONCLUSIONS: Among very preterm births, virtually all babies are born with pathologies that increase the risk of adverse outcomes. Hence, babies exposed to one factor (e.g. pre-eclampsia) are compared with babies who have a mix of other pathologies. Such selection bias affects studies carried out among very preterm births (e.g. where pre-eclampsia appears to reduce risk of adverse neonatal outcomes). TWEETABLE ABSTRACT: Selection bias affects studies of preterm births, complicating interpretation.
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 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».