Dealing With Treatment-Confounder Feedback and Sparse Follow-up in Longitudinal Studies: Application of a Marginal Structural Model in a Multiple Sclerosis Cohort
Notice bibliographique
Résumé
The beta-interferons are widely prescribed platform therapies for patients with multiple sclerosis (MS). We accessed a cohort of patients with relapsing-onset MS from British Columbia, Canada (1995-2013), to examine the potential survival advantage associated with beta-interferon exposure using a marginal structural model. Accounting for potential treatment-confounder feedback between comorbidity, MS disease progression, and beta-interferon exposure, we found an association between beta-interferon exposure of at least 6 contiguous months and improved survival (hazard ratio (HR) = 0.63, 95% confidence interval 0.47, 0.86). We also assessed potential effect modifications by sex, baseline age, or baseline disease duration, and found these factors to be important effect modifiers. Sparse follow-up due to variability in patient contact with the health system is one of the biggest challenges in longitudinal analyses. We considered several single-level and multilevel multiple imputation approaches to deal with sparse follow-up and disease progression information; both types of approach produced similar estimates. Compared to ad hoc imputation approaches, such as linear interpolation (HR = 0.63), and last observation carried forward (HR = 0.65), all multiple imputation approaches produced a smaller hazard ratio (HR = 0.53), although the direction of effect and conclusions drawn concerning the survival advantage remained the same.
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 | 0,107 | 0,170 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».