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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,049 | 0,134 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».