MétaCan
Menu
Retour à la cohorte
Enregistrement W3024190863 · doi:10.1177/1740774520920893

Adjusting for adherence in randomized trials when adherence is measured as a continuous variable: An application to the Lipid Research Clinics Coronary Primary Prevention Trial

2020· article· en· W3024190863 sur OpenAlexaff
Kerollos Nashat Wanis, Arin L. Madenci, Miguel A. Hernán, Eleanor J. Murray

Notice bibliographique

RevueClinical Trials · 2020
Typearticle
Langueen
DomaineMathematics
ThématiqueAdvanced Causal Inference Techniques
Établissements canadiensLondon Health Sciences CentreWestern University
Organismes subventionnairesPatient-Centered Outcomes Research Institute
Mots-clésMedicineRandomized controlled trialPrimary preventionResearch designClinical trialSecondary preventionCoronary heart diseasePhysical therapyInternal medicineStatisticsDiseaseMathematics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Clinicians and patients may be more interested in per-protocol effect estimates than intention-to-treat effect estimates from randomized trials. However, per-protocol effect estimates may be biased due to insufficient adjustment for prognostic factors that predict adherence. Adjustment for this bias is possible when appropriate methods, such as inverse probability weighting, are used. But, when adherence is measured as a continuous variable, constructing these weights can be challenging. METHODS: In the placebo arm of the Lipid Research Clinics Coronary Primary Prevention Trial, we estimated the 7-year cumulative incidence of coronary heart disease under 100% adherence and 0% adherence to placebo. We used dose-response discrete-hazards models with inverse probability weighting to adjust for pre- and post-randomization covariates. We considered several continuous distributions for constructing the inverse probability weights. RESULTS: The risk difference estimate for 100% adherence compared with 0% adherence ranged from -7.7 to -6.1 percentage points without adjustment for baseline and post-baseline covariates, and ranged from -1.8 to 2.2 percentage points with adjustment using inverse probability weights, depending on the dose-response model and inverse probability weight distribution used. CONCLUSIONS: Methods which appropriately adjust for time-varying post-randomization variables can explain away much of the bias in the "effect" of adherence to placebo. When considering continuous adherence, investigators should consider several models as estimates may be sensitive to the model chosen.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,489
score de la tête « metaresearch » (Gemma)0,670
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,489
Score d'incertitude au seuil0,631

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,4890,670
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0080,015
Bibliométrie0,0030,006
Études des sciences et des technologies0,0020,004
Communication savante0,0050,005
Science ouverte0,0040,004
Intégrité de la recherche0,0080,011
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,809
Tête enseignante GPT0,643
Écart entre enseignants0,167 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical TrialsMême sujetAdvanced Causal Inference TechniquesTravaux en français237 207