An improved method for analysis of interrupted time series (ITS) data: accounting for patient heterogeneity using weighted analysis
Notice bibliographique
Résumé
Interrupted time series (ITS) design is commonly used to evaluate the impact of interventions in healthcare settings. Segmented regression (SR) is the most commonly used statistical method and has been shown to be useful in practical applications involving ITS designs. Nevertheless, SR is prone to aggregation bias, which leads to imprecision and loss of power to detect clinically meaningful differences. The objective of this article is to present a weighted SR method, where variability across patients within the healthcare facility and across time points is incorporated through weights. We present the methodological framework, provide optimal weights associated with data at each time point and discuss relevant statistical inference. We conduct extensive simulations to evaluate performance of our method and provide comparative analysis with the traditional SR using established performance criteria such as bias, mean square error and statistical power. Illustrations using real data is also provided. In most simulation scenarios considered, the weighted SR method produced estimators that are uniformly more precise and relatively less biased compared to the traditional SR. The weighted approach also associated with higher statistical power in the scenarios considered. The performance difference is much larger for data with high variability across patients within healthcare facilities. The weighted method proposed here allows us to account for the heterogeneity in the patient population, leading to increased accuracy and power across all scenarios. We recommend researchers to carefully design their studies and determine their sample size by incorporating heterogeneity in the patient population.
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 | 0,001 |
| 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 ».