A bayesian way to correct for measurement error in drug risk estimates from EHR data.
Notice bibliographique
Résumé
IntroductionData from electronic medical records is now readily available and records information needed in pharmacoepidemiological studies not usually found in administrative data such as risk factors and biometrics. Yet, EMR data leads to measurement error due to primary non-adherence. Bayesian bias correction could provide corrected estimates from administrative data. Objectives and ApproachWe present a method for correcting risk estimates from EMR data using linked data. In our example, we estimate the risk of cardiovascular events from oral-hypoglycemics in patients with type-2 diabetes in Boston, Quebec, and the UK between 2009 and 2012. Using linked EMR and administrative data in Quebec, we compute a positive and negative predicting value of prescription on dispensation for each class of oral-hypoglycemics. The cardiovascular risk is then analysed using a bayesian Weibull survival model adjusted for potential confounders. A similar model is then computed that accounts for exposure measurement error using the PPV and NPV. ResultsThe Quebec and Boston cohorts have similar sizes with 1197 and 2346 patients, but the UK was bigger at 41370 patients. In Quebec's data, there were important differences in PPV and NPV by class of oral-hypoglycemics with PPVs for Biguanides at 0.81, Sulphonylureas at 0.65, and others at 0.50. The pattern for NPV differed with the same classes having respectively values of 0.56, 0.97, and 0.99. Estimates from the naïve model are typical of similar analysis but compared to their correction, they were generally overprecise and biased towards the null. The adjusted estimated were adequately representing the increased uncertainty with hazard ratios for Sulphonylureas going from 1.72 (1.22, 2.41) to 3.19 (1.36, 5.93), and from 1.09 (0.86, 1.39) to 1.05 (0.45, 2.16) for no drugs Conclusion/ImplicationsBayesian adjustment for measurement error allowed us to use linked data to regenerate uncertainty and to correct the bias in our risk estimates. Our approach was impacted by the observed low predictive value of prescribing, by reduced transportability of our PPV and NPV estimates, and other sources of bias.
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 | 0,042 | 0,142 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».