Postmyocardial Infarction Statin Exposure and the Risk of Stroke with Weighting for Outcome Misclassification
Notice bibliographique
Résumé
BACKGROUND: Observational healthcare data can be used for drug safety and effectiveness research. The use of inverse probability of treatment weights (IPW) reduces measured confounding under the assumption of accurate measurement of the outcome variable; however, many datasets suffer from systematic outcome misclassification. METHODS: We introduced a modification to IPW to correct for the presence of outcome misclassification. To demonstrate the utility of these modified weights in realistic settings, we investigated postmyocardial infarction statin use and the 1-year risk of stroke in the Clinical Practice Research Datalink. RESULTS: We computed an IPW-adjusted odds ratio (OR = 0.67; 95% confidence interval (CI) = 0.48, 0.93). We employed a technique to modify IPW for the presence of outcome misclassification using linked hospital records for outcome validation (modified IPW adjusted OR = 0.77; 95% CI = 0.52, 1.15) and compared the results with a meta-analysis of randomized controlled trials (RCTs) (pooled OR = 0.80; 95% CI = 0.74, 0.87). Finally, we present simulation studies to investigate the impact of model selection on bias reduction and variability. CONCLUSION: Ignoring outcome misclassification yielded biased estimates whereas the use of the modified IPW approach produced encouraging results when compared with the meta-analytic RCT findings.
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 | 0,069 | 0,283 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».