Analytical approaches to minimizing immeasurable time bias in cohort studies
Notice bibliographique
Résumé
BACKGROUND: Immeasurable time bias exaggerates drug benefits in pharmacoepidemiological studies due to exposure misclassification arising from the inability to measure in-hospital medications in many health care databases. METHODS: To compare the ability of different methodological approaches to minimize immeasurable time bias, we conducted a cohort study of β-blocker use and all-cause mortality among patients with heart failure (HF), using a nationwide health care database which contains both in- and outpatient prescriptions. In our gold-standard analysis, we assessed exposure using a time-varying approach involving both in- and outpatient prescriptions. Cox proportional hazard models were used to estimate hazard ratios (HRs) with 95% confidence intervals (CIs) of mortality, with exposure to β-blockers defined as a time-varying variable. To estimate the magnitude of the immeasurable time bias, we repeated the analyses using outpatient prescriptions only and compared 10 approaches to minimize the bias, which are categorized as restriction, adjustment, assumption and weighting. RESULTS: The HR for β-blocker use versus non-use was 0.76 (95% CI: 0.71 to 0.80) in our gold-standard analysis. When exposure assessment was restricted to outpatient prescriptions only, β-blocker use was substantially more protective (HR 0.43, 95% CI: 0.40 to 0.46). Of the 10 approaches examined, adjusting for hospitalization as a time-varying variable successfully minimized the bias (HR 0.75, 95% CI: 0.68 to 0.82). CONCLUSIONS: The immeasurable time bias can result in substantial bias in pharmacoepidemiological studies. Time-varying adjustment for hospitalization appears to reduce the immeasurable time bias in the absence of inpatient medication data.
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 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 | 0,004 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».