MétaCan
Menu
Retour à la cohorte
Enregistrement W2801071792 · doi:10.1002/sim.7646

Tracing studies in cohorts with attrition: Selection models for efficient sampling

2018· article· en· W2801071792 sur OpenAlexafffundabout
Nathalie C. Moon, Leilei Zeng, Richard J. Cook

Notice bibliographique

RevueStatistics in Medicine · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueLiver Disease Diagnosis and Treatment
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésCohortEstimatorStatisticsSampling (signal processing)AttritionTracingSelection (genetic algorithm)Simple random sampleComputer scienceMedicineCohort studyEconometricsMathematicsMachine learningEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Cohort studies of chronic diseases involve recruitment and longitudinal follow-up of affected individuals with a view to studying the effect of risk factors on disease progression and death. When the time to withdrawal from the cohort is conditionally independent of the disease process the primary consequence is a loss of information on the parameters of interest. This loss can sometimes be mitigated through the conduct of tracing studies in which a subsample of those lost to follow up are contacted and some information is obtained on their disease and survival status. We describe the use of selection models to sample individuals for tracing who will yield more efficient estimators than those obtained by simple random sampling. Efficient sampling schemes featuring cost constraints are also developed and shown to perform well. An application to data from the University of Toronto Psoriatic Arthritis Cohort illustrates how to apply the method in a real setting.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,310
Score d'incertitude au seuil0,365

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,116
Tête enseignante GPT0,406
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueStatistics in MedicineMême sujetLiver Disease Diagnosis and TreatmentTravaux en français237 207