Exposure measurement error when assessing current glucocorticoid use using UK primary care electronic prescription data
Notice bibliographique
Résumé
PURPOSE: To quantify misclassification in glucocorticoid (GC) exposure defined using UK primary care prescription data. METHODS: A cross-sectional study including patients with rheumatoid arthritis prescribed oral GCs in the past 2 years. Glucocorticoid exposure based on electronic prescription records was compared with participant-reported GC use captured using a paper diary. Prescription data (containing information about prescriptions issued but no dispensing information) was provided by the Clinical Practice Research Datalink. The following variables were defined: current use and dose of oral GCs and if (and when) participants had received a GC injection. For oral GCs, self-reported use was taken to represent "true" exposure. A dataset representing a hypothetical population was generated to assess the impact of the misclassification found for current use. RESULTS: A total of 67 of 78 study participants (86%) were correctly classified as currently on/off oral GCs; 32/38 (84.2%) participants reporting current GC use and 35/40 (87.5%) participants not reporting current use were correctly classified. Estimated values of current dose were imprecise (correlation coefficient 0.46). Concordance between reported and prescribed GC injections was poor (kappa statistic 0.14). Misclassification bias was demonstrated in the hypothetical population: For "true" relative risks of 1.5, 4, and 9, the "observed" relative risks were 1.33, 2.48, and 3.58, respectively. CONCLUSIONS: Misclassification of current use of oral GCs was low but sufficient to lead to significant bias. Researchers should take care to assess the likely impact of exposure misclassification on their analyses.
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 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».