A comparison of approaches for estimating combined population attributable risks (PARs) for multiple risk factors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Objectives The methods to estimate the population attributable risk (PAR) of a single risk factor or the combined PAR of multiple risk factors have been extensively studied and well developed. Ideally, the estimation of combined PAR of multiple risk factors should be based on large cohort studies, which account for both the joint distributions of risk exposures and for their interactions. However, because such individual-level data are often lacking, many studies estimate the combined PAR using a comparative risk assessment framework. It involves estimating PAR of each risk factor based on its prevalence and relative risk, and then combining the individual PARs using an approach that relies on two key assumptions: that the distributions of exposures to the risk factors are independent and that the relative risks are multiplicative. While such assumptions rarely hold true in practice, no studies have investigated the magnitude of bias incurred if the assumptions are violated. Methods Using simulation-based models, we compared the combined PARs obtained with this approach to the more accurate estimates of PARs that are available when the joint distributions of exposures and risks can be established. Results We show that the assumptions of exposure independence and risk multiplicativity are sufficient but not necessary for the combined PAR to be unbiased. In the simplest situation of two risk factors, the bias of this approach is a function of the strength of association and the magnitude of risk interaction, for any values of exposure prevalence and their associated risks. In some cases, the combined PAR can be strongly under- or over-estimated, even if the two assumptions are only slightly violated. Conclusions We encourage researchers to quantify likely biases in their use of the M–S method, and here, we provided level plots and R code to assist.
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.
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 | 0,007 | 0,221 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle