Methods for the assessment of selection bias in drug safety during pregnancy studies using electronic medical data
Notice bibliographique
Résumé
Electronic health data are routinely used for population drug studies. Due to the ethical dilemma in carrying out experimental drug studies on pregnant women, the effects of medication usage during pregnancy on fetal and maternal outcomes are largely evaluated using this data collection medium. One major limitation in this type of study is the delayed inclusion of pregnancies in the cohort. For example, in the province of Quebec, Canada, a major pregnancy cohort only captured pregnancies after 20 weeks gestation. The purpose of this study was to demonstrate three methods that can be used to assess the extent of selection bias due to the delayed inclusion of pregnancies. We use causal directed acyclic graphs to explain the source of this selection bias. In an example involving a cohort of pregnant asthmatic women reconstructed from the linkage of administrative health databases from the province of Quebec, we use numerical derivations, a simulation study and a sensitivity analysis to investigate the potential for bias and loss of power due to the delayed inclusion. We find that this selection bias can be partially mitigated by controlling for variables related to (spontaneous or therapeutic) abortion and the outcome of interest. The three proposed methods allow for the pre and post hoc ascertainment of the bias. While delayed pregnancy inclusion selection bias (which includes "live birth bias") can produce substantial bias in pregnancy drug studies, all three methods are effective at producing estimates of the size of the 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 | 0,319 | 0,552 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».