Using external data to incorporate unmeasured confounders: A plasmode simulation study comparing alternative approaches to impute body mass index in a study of the relationship between osteoarthritis and cardiovascular disease
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
Background: Administrative databases do not contain Body Mass Index (BMI) informa- tion. In proportion-based imputation (PBI) technique, a BMI category is assigned to an individual according to the proportions observed in external survey data. Alternatively, BMI can be imputed using Multiple Imputation (MI). Objectives: To compare MI with PBI to impute BMI variable in osteoarthritis (OA)- cardiovascular disease (CVD) relationship. Research Design: plasmode simulation study. Subjects: used publicly available data from the Canadian Community Health Survey (CCHS) cycles 1.1, 2.1, and 3.1. Measures: BMI was set missing for everyone in the 500 simulated data created from CCHS 3.1 data. Dataset compiled from CCHS cycles 1.1 and 2.1 served as the external data (BMI observed). BMI missing in copies of simulated data was imputed using MI and PBI accessing observed BMI information in external data. After imputation, distribution of BMI variable and the adjusted odds ratio (aOR) estimated from multivariable logistic regression model were compared. Results: Compared to PBI, MI produced proportions of individuals closer to the known proportions across the BMI categories except for the overweight category. Considering the known aOR of 1.59 (1.36, 1.82), BMI imputed using MI introduced less bias in OA- CVD association compared to PBI, the aOR was 1.62 (1.39, 1.86) and 1.66 (1.41, 1.90), respectively. Conclusions: This is the first study to compare MI with PBI in the context of imputing BMI information that is not recorded at the database level. MI was superior to imputation method based on population-level proportions in imputing BMI missing for everyone in the simulated datasets.
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 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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