A Bayesian approach to investigate life course hypotheses involving continuous exposures
Notice bibliographique
Résumé
Background: Different hypotheses have been proposed in life course epidemiology on how a time-varying exposure can affect health or disease later in life. Researchers are often interested in investigating the probability of these hypotheses based on observed life course data. However, current techniques based on model/variable selection do not provide a direct estimate of this probability. We propose an alternative technique for a continuous exposure, using a Bayesian approach that has specific advantages, to investigate which life course hypotheses are supported by the observed data. Methods: We demonstrate the technique, the relevant life course exposure model (RLM), using simulations. We also analyse data from a case-control study on risk factors of oral cancer, with repeated measurements of betel quid chewing across life. We investigate the relative importance of chewing one quid of betel per day, at three life periods: ≤20 years, 21-40 years and above 40 years of age, on the risk of developing oral cancer. Results: RLM was able to correctly identify the life course hypothesis under which the data were simulated. Results from the case-control study showed that there was 74.3% probability that betel quid exposure earlier in life, compared with later, results in higher odds of developing oral cancer later in life. Conclusions: RLM is a useful option to identify the life course hypothesis supported by the observed data prior to the estimation of a causal effect.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».