Stratified Probabilistic Bias Analysis for Body Mass Index–related Exposure Misclassification in Postmenopausal Women
Notice bibliographique
Résumé
BACKGROUND: There is widespread concern about the use of body mass index (BMI) to define obesity status in postmenopausal women because it may not accurately represent an individual's true obesity status. The objective of the present study is to examine and adjust for exposure misclassification bias from using an indirect measure of obesity (BMI) compared with a direct measure of obesity (percent body fat). METHODS: We used data from postmenopausal non-Hispanic black and non-Hispanic white women in the Women's Health Initiative (n=126,459). Within the Women's Health Initiative, a sample of 11,018 women were invited to participate in a sub-study involving dual-energy x-ray absorptiometry scans. We examined indices of validity comparing BMI-defined obesity (≥30 kg/m), with obesity defined by percent body fat. We then used probabilistic bias analysis models stratified by age and race to explore the effect of exposure misclassification on the obesity-mortality relationship. RESULTS: Validation analyses highlight that using a BMI cutpoint of 30 kg/m to define obesity in postmenopausal women is associated with poor validity. There were notable differences in sensitivity by age and race. Results from the stratified bias analysis demonstrated that failing to adjust for exposure misclassification bias results in attenuated estimates of the obesity-mortality relationship. For example, in non-Hispanic white women 50-59 years of age, the conventional risk difference was 0.017 (95% confidence interval = 0.01, 0.023) and the bias-adjusted risk difference was 0.035 (95% simulation interval = 0.028, 0.043). CONCLUSIONS: These results demonstrate the importance of using quantitative bias analysis techniques to account for nondifferential exposure misclassification of BMI-defined obesity. See video abstract at, http://links.lww.com/EDE/B385.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».