What Cardio-Oncology Lessons Can We Learn From Population-Based Data?
Notice bibliographique
Résumé
T he maturation of administrative data- collected over the past few decades thanks to major advances in data collection processes and storage-has led to a rapid growth of analyses in which "big," "real-world" data are mined for epidemiologic associations.In this issue of JACC: CardioOncology, Bertero et al 1 present their findings from an analysis of administrative data from Puglia, Italy, in which adults at least 50 years of age with heart failure were matched to control subjects without heart failure to investigate the link between heart failure and the risk of developing cancer. 1 The study authors concluded that heart failure patients are at increased risk of incident cancer (including both solid organ and hematologic malignancies) and cancer mortality.To determine what can be robustly inferred from this finding and from analyses of big real-world data more broadly, one must carefully consider the limitations of administrative data. 2 The first limitation is unmeasured confounding.Key known cancer-causing exposures, such as obesity, heavy alcohol consumption, smoking, poor
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 | 0,033 | 0,108 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,005 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,012 | 0,006 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,021 | 0,030 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,010 |
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 ».