Evidence of the Different Associations of Prognostic Factors With Censoring Across Treatment Groups and Impact on Censoring Weight Model Specification: The Example of Anticoagulation in Atrial Fibrillation
Notice bibliographique
Résumé
Inverse probability of censoring weights (IPCWs) may reduce selection bias due to informative censoring in longitudinal studies. However, in studies with an active comparator, the associations between predictors and censoring may differ across treatment groups. We used the clinical example of anticoagulation treatment with warfarin or a direct oral anticoagulant (DOAC) in atrial fibrillation to illustrate this. The cohort of individuals initiating an oral anticoagulant during 2010-2016 was identified from the Régie de l'assurance maladie du Québec (RAMQ) databases. The parameter of interest was the hazard ratio (HR) of the composite of stroke, major bleeding, myocardial infarction, or death associated with continuous use of warfarin versus DOACs. Two strategies for the specification of the model for estimation of censoring weights were explored: exposure-unstratified and exposure-stratified. The HR associated with continuous treatment with warfarin versus DOACs adjusted with exposure-stratified IPCWs was 1.26 (95% confidence interval: 1.20, 1.33). Using exposure-unstratified IPCWs, the HR differed by 15% in favor of DOACs (1.41, 95% confidence interval: 1.34, 1.48). Not accounting for the different associations between the predictors and informative censoring across exposure groups may lead to misspecification of censoring weights and biased estimate on comparative effectiveness and safety.
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 | 0,355 | 0,585 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,014 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».