MétaCan
Menu
Retour à la cohorte
Enregistrement W3049285076 · doi:10.1016/j.conctc.2020.100639

An empirical comparison of time-to-event models to analyse a composite outcome in the presence of death as a competing risk

2020· article· en· W3049285076 sur OpenAlexaff
Ndamonaonghenda Haushona, Tonya M. Esterhuizen, Lehana Thabane, Rhoderick Machekano

Notice bibliographique

RevueContemporary Clinical Trials Communications · 2020
Typearticle
Langueen
DomaineMathematics
ThématiqueAdvanced Causal Inference Techniques
Établissements canadiensMcMaster UniversitySt. Joseph’s Healthcare HamiltonImpact
Organismes subventionnairesFogarty International CenterNational Institutes of Health
Mots-clésHazard ratioProportional hazards modelConfidence intervalMedicineCovariateObservational studyAccelerated failure time modelDemographyInternal medicineStatistics

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Competing risks arise when subjects are exposed to multiple mutually exclusive failure events, and the occurrence of one failure hinders the occurrence of other failure events. In the presence of competing risks, it is important to use methods accounting for competing events because failure to account for these events might result in misleading inferences. METHODS AND OBJECTIVE: Using data from a multisite retrospective observational longitudinal study done in Ethiopia, we performed sensitivity analyses using Fine-Gray model, Cause-specific Cox (Cox-CSH) model, Cause-specific Accelerated Failure Time (CS-AFT) model, accounting for death as a competing risk to determine baseline covariates that are associated with a composite of unfavourable retention in care outcomes in people living with Human Immune Virus who were on both Isoniazid preventive therapy (IPT) and antiretroviral therapy (ART). Non-cause specific (non-CSH) model that does not account for competing risk was also performed. The composite outcome comprises of loss to follow-up, stopped treatment and death. Age, World Health Organisation (WHO) stage, gender, and CD4 count were the considered baseline covariates. RESULTS: We included 3578 patients in our analysis. WHO stage III-or-IV was significantly associated with the composite of unfavourable outcomes, Sub-hazard ratio (SHR) = 1.31, 95% confidence interval (CI):1.04-1.65 for the sub-distribution hazard model, hazard ratio [HR] = 1.31, 95% CI:1.05-1.65, for the Cox-CSH model, and HR = 0.81, 95% CI:0.69-0.96, for the CS-AFT model. Gender and WHO stage were found to be significantly associated with the composite of unfavourable outcomes, HR = 1.56, 95% CI:1.27-1.90, HR = 1.28, 95% CI: 1.06-1.55 for males and WHO stage III-or-IV, respectively for the non-CSH model. CONCLUSIONS: Results show that WHO stage III-or-IV is significantly associated with unfavourable outcomes. The results from competing risk models were consistent. However, results obtained from the non-CSH model were inconsistent with those obtained from competing risk analysis models.

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)0,191
score de la tête « metaresearch » (Gemma)0,246
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,809
Score d'incertitude au seuil0,997

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1910,246
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0040,009
Bibliométrie0,0040,002
Études des sciences et des technologies0,0010,002
Communication savante0,0040,005
Science ouverte0,0060,003
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,844
Tête enseignante GPT0,649
Écart entre enseignants0,195 · 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeSimulation ou modélisation
DomaineMéthodes
GenreEmpirique

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

En bref

Citations7
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueContemporary Clinical Trials CommunicationsMême sujetAdvanced Causal Inference TechniquesTravaux en français237 207