Competing Risks Methods Are Recommended for Estimating the Cumulative Incidence of Revision Arthroplasty for Health Care Planning Purposes
Notice bibliographique
Résumé
Cumulative incidence of revision provides a measure of the failure rate of joint replacements and can be used to project demand for revisions. The most commonly applied survival analysis method (Kaplan–Meier [KM]) does not account for competing risks (eg, death). The authors compared the cumulative incidence function (CIF), a competing risks method, with the KM method through application to population-based cohorts. They measured time to revision, death, or censoring for unilateral total hip arthroplasty (THA; n=12,496) and total knee arthroplasty (TKA; n=19,172) cohorts in administrative databases in Alberta and TKAs (n=80,177) in the Swedish Knee Arthroplasty Register. The authors compared relative differences between the KM and CIF. They fitted Cox, Fine and Gray, and Royston and Parmar regression models and compared coefficients, standard errors, and P values. On sensitivity analysis, the authors included staged bilateral operations. Kaplan–Meier estimates exceeded the CIF at each time point. The magnitude of overestimation increased with follow-up time and was greatest for the Swedish cohort. At 5 years, relative differences between KM and CIF estimates for the Alberta THA and TKA and Swedish TKA cohorts were 1.8%, 2.3%, and 3.8%, respectively. These differences increased to 3.1%, 5.8%, and 8.2%, respectively, at 9 years, reaching 39.1% at 20 years (Swedish cohort). On sensitivity analysis (including staged bilateral operations), the Fine and Gray subdistribution hazard ratio differed from the Cox and Royston and Parmar hazard ratios. When the frequency of competing risks is high, competing risks methods are recommended to obtain accurate cumulative incidence estimates for informing health care planning and decision making. [ Orthopedics . 2021;44(4):e549–e555.]
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 | 0,001 | 0,007 |
| 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 ».