Development and validation of an index score to adjust for healthy user bias in observational studies
Notice bibliographique
Résumé
BACKGROUND: Objectives: To develop a healthy user index to serve as a method of confounding adjustment in future observational studies of preventive therapies. METHODS: A large administrative database of patients with type 2 diabetes was split in half randomly, yielding derivation and validation cohorts. Influenza vaccination was used as a 'prototypical marker' of a healthy user. In our derivation cohort, we fitted a mixed effects logistic regression model, and a points-based system was used to construct the index. The healthy user index was then evaluated in the validation cohort. RESULTS: Overall, 13% had received the influenza vaccination. In the derivation cohort (n= 914 732), the healthy user index ranged from 0 to 91 with a mean of 41.6 (SD 12.9). When applied to the validation cohort (n= 913 231), the index ranged from 0 to 96 (mean 41.6, SD 12.9) and significantly predicted influenza vaccination with a c-statistic of 0.605, suggesting moderate discrimination ability. CONCLUSION: Our healthy user index combined age, sex and healthy behaviors to predict healthy users within administrative datasets. This index score may allow for better adjustment of healthy user bias in health services research; however, external validation is further required. Key Words: Administrative Data Uses, Bias, Biostatistical Methods, Observational Data.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».