Estimation of causal effects with repeatedly measured outcomes in a Bayesian framework
Notice bibliographique
Résumé
Constructing causal inference methods to handle longitudinal data in observational studies is of high interest. In an observational setting, treatment assignment at each clinical visit follows a decision strategy where the treating clinician selects treatment based on current and past clinical measurements as well as treatment histories. These time-dependent structures, coupled with inherent correlations between and within each visit, add on to the data complexity. Despite recent interest in Bayesian causal methods, only a limited literature has explored approaches to handle longitudinal data and no method handles repeatedly measured outcomes. In this paper, we extended two Bayesian approaches: Bayesian estimation of marginal structural models and two-stage Bayesian propensity score analysis to handle a repeatedly measured outcome. Our proposed methods permit causal estimation of treatment effects at each visit. Time-dependent inverse probability of treatment weights are obtained from the Markov chain Monte Carlo samples of the posterior treatment assignment model for each follow-up visit. We use a simulation study to validate and compare the proposed methods and illustrate our approaches through a study of intravenous immunoglobulin therapy in treating newly diagnosed juvenile dermatomyositis.
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 | 0,145 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; 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 ».