An empirical assessment of immeasurable time bias in the setting of nested case‐control studies: Statins and all‐cause mortality among patients with heart failure
Notice bibliographique
Résumé
PURPOSE: Immeasurable time bias exaggerates drug benefits in pharmacoepidemiologic studies due to exposure misclassification that occurs due to the lack of inpatient drug data in many healthcare databases. METHODS: To estimate the magnitude of immeasurable time bias and assess potential approaches to minimize it, we conducted a nested case-control study of statin use and mortality among heart failure patients using the South Korean nationwide healthcare database, which contains both inpatient and outpatient medication data. Using both inpatient and outpatient medication data to define the gold standard exposure definition, we assessed 10 different analytical methods in which exposure was defined using outpatient medication data only. We compared different methodological approaches to reduce immeasurable time bias: restricting to nonhospitalized patients, adjusting for hospitalization, weighting by either measurable time (nonhospitalized time during 90-d period) or outpatient time, and computing the odds ratios (ORs) using 90-day cumulative probability of exposure produced by the Kaplan-Meier product-limit estimator for cases and controls. RESULTS: The three approaches that most closely approximated the gold standard (hazard ratio [HR] 1.20; 95% confidence interval [CI], 1.05-1.37) were weighting by either measurable (HR 1.09; 95% CI, 0.92-1.28) or outpatient time (HR 1.14; 95% CI, 0.96-1.34) in the unexposed or by estimating the 90-day exposure probability (HR 1.31; 95% CI, 1.11-1.51). CONCLUSION: The use of one of these three methods may be suggested as an approach to minimize immeasurable time bias in nested case-control studies.
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 | 0,006 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».