Comparing external and internal validation methods in correcting outcome misclassification bias in logistic regression: A simulation study and application to the case of postsurgical venous thromboembolism following total hip and knee arthroplasty
Notice bibliographique
Résumé
PURPOSE: We assessed the validity of postsurgery venous thromboembolism (VTE) diagnoses identified from administrative databases and compared Bayesian and multiple imputation (MI) approaches in correcting for outcome misclassification in logistic regression models. METHODS: Sensitivity and specificity of postsurgery VTE among patients undergoing total hip or knee replacement (THR/TKR) were assessed against chart review in six Montreal hospitals in 2009 to 2010. Administrative data on all THR/TKR Quebec patients in 2009 to 2010 were obtained. The performance of Bayesian external, Bayesian internal, and MI approaches to correct the odds ratio (OR) of postsurgery VTE in tertiary versus community hospitals was assessed using simulations. Bayesian external approach used prior information from external sources, while Bayesian internal and MI approaches used chart review. RESULTS: In total, 17 319 patients were included, 2136 in participating hospitals, among whom 75 had VTE in administrative data versus 81 in chart review. VTE sensitivity was 0.59 (95% confidence interval, 0.48-0.69) and specificity was 0.99 (0.98-0.99), overall. The adjusted OR of VTE in tertiary versus community hospitals was 1.35 (1.12-1.64) using administrative data, 1.45 (0.97-2.19) when MI was used for misclassification correction, and 1.53 (0.83-2.87) and 1.57 (0.39-5.24) when Bayesian internal and external approaches were used, respectively. In simulations, all three approaches reduced the OR bias and had appropriate coverage for both nondifferential and differential misclassification. CONCLUSION: VTE identified from administrative data had low sensitivity and high specificity. The Bayesian external approach was useful to reduce outcome misclassification bias in logistic regression; however, it required accurate specification of the misclassification properties and should be used with caution.
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 | 0,161 | 0,306 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 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 ».