Modeling of cumulative effects of time-varying drug exposures on within-subject changes in a continuous outcome
Notice bibliographique
Résumé
An accurate assessment of the safety or effectiveness of drugs in pharmaco-epidemiological studies requires defining an etiologically correct time-varying exposure model, which specifies how previous drug use affects the outcome of interest. To address this issue, we develop, and validate in simulations, a new approach for flexible modeling of the cumulative effects of time-varying exposures on repeated measures of a continuous response variable, such as a quantitative surrogate outcome, or a biomarker. Specifically, we extend the linear mixed effects modeling to estimate how past and recent drug exposure affects the way individual values of the outcome change throughout the follow-up. To account for the dosage, duration and timing of past exposures, we rely on a flexible weighted cumulative exposure methodology to model the cumulative effects of past drug use, as the weighted sum of past doses. Weights, modeled with unpenalized cubic regression B-splines, reflect the relative importance of doses taken at different times in the past. In simulations, we evaluate the performance of the model under different assumptions concerning (i) the shape of the weight function, (ii) the sample size, (iii) the number of the longitudinal observations and (iv) the intra-individual variance. Results demonstrate the accuracy of our estimates of the weight function and of the between- and within-patients variances, and good correlation between the observed and predicted longitudinal changes in the outcome. We then apply the proposed method to re-assess the association between time-varying glucocorticoid exposure and weight gain in people living with rheumatoid arthritis.
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 | 0,052 | 0,857 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».