Estimation of high‐dimensional propensity scores with multiple exposure levels
Notice bibliographique
Résumé
PURPOSE: Little information is available on the performance of high-dimensional propensity scores (HDPS) in settings with more than two exposure levels. Our objective was to adapt the HDPS algorithm to allow for the inclusion of multilevel treatments and compare estimates obtained via this approach with those obtained via pairwise comparisons in a case study using real-world data. METHODS: We conducted a retrospective cohort study of cardiovascular events associated with three smoking cessation drugs (varenicline, bupropion, nicotine replacement therapy [NRT]) using the Clinical Practice Research Datalink. We applied the binary HDPS algorithm adjusted for pre-specified and empirically-selected covariates to cohorts formed by each treatment pair. We then constructed multinomial HDPS models on a cohort of new users of any of the three drugs, adjusting for predefined covariates and different combinations of empirically-selected covariates. After trimming the area of non-overlap of the HDPS distributions, the effects of the study drugs on cardiovascular events were estimated with the Cox proportional hazards models adjusted for propensity score category. RESULTS: = 0.76). Trimming rates were similar between the two approaches. CONCLUSIONS: The extension of HDPS to multilevel exposures is a valid and practical approach to confounder control that may be useful when comparing different classes of drugs prescribed for the same indication or different molecules within a given drug class.
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 | 0,049 | 0,139 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».