Impact of the Improper Adjustment for Age in Research on Age-Related Macular Degeneration: An Example Using Data from the Canadian Longitudinal Study on Aging
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
Purpose: Confounding is an important problem in observational research. Improper modeling of the confounder will lead to residual confounding that may distort results and impact inferences. An example of this will be presented from research on age-related macular degeneration and depression.Methods: A 3-year prospective cohort study was performed using data from the Canadian Longitudinal Study on Aging consisting of 30,097 individuals aged 45–85 years. Incident depression was assessed using the Center for Epidemiologic Studies Depression scale. Participants were asked if they had ever had a physician diagnosis of age-related macular degeneration (AMD). Multivariable Poisson regression was used. Age was modeled in four ways including as a linear term, as a 4-category variable, as a spline, and as a polynomial. Models were compared using the Akaike’s Information Criteria (AIC) with lower scores indicating better performance.Results: The point estimates and inferences differed depending on how age was modeled. Age had a J-shape relationship with the incidence of depression. The model with the lowest AIC was when age was entered as a categorical variable. When age was modeled in this way, AMD was not significantly associated with the incidence of depression (relative risk (RR) = 1.21, 95% Confidence Interval (CI) 0.97, 1.53). By contrast, when age was modeled as a linear term, AMD was significantly associated with the incidence of depression (RR = 1.28, 95% CI 1.02, 1.61).Conclusions: Researchers should clearly report their adjustment strategies and should be cautious when modeling the relationship between age and depression in order to minimize residual confounding.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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