Invited Commentary: The Prevalent New-User Design in Pharmacoepidemiology—Challenges and Opportunities
Notice bibliographique
Résumé
The prevalent new-user design includes a broader study population than the traditional new-user approach that is frequently used in pharmacoepidemiologic research. In an article appearing in this issue (Am J Epidemiol. 2021;190(7):1341-1348), Webster-Clark et al. describe the treatment initiator types included in the prevalent new-user design and contrast the causal questions assessed using a prevalent new-user design versus a new-user design. They further applied a series of simulation studies showing the importance of accounting for treatment history in addition to time since initiation of the comparator in the prevalent new-user design. In this commentary, we put their findings in the broader context with a discussion of the strengths and limitations of the prevalent new-user design and settings where it would be most useful. The prevalent new-user design and new-user design both address unique questions of clinical and public health importance. Real-world evidence generated by pharmacoepidemiologic research is increasingly being used by regulators and other knowledge users to inform their decision-making. Understanding the causal questions addressed by different designs is crucial in this process; the study by Webster-Clark et al. represents an important step in addressing this issue.
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 | 0,033 | 0,173 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,053 | 0,058 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,008 |
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 ».