Flexible piecewise linear model for investigating dose-response relationship in meta-analysis: methodology, examples, and comparison
Notice bibliographique
Résumé
Objectives: Dose-response meta-analysis (DRMA) is widely employed to establishing the potential dose-response relationship between continuous exposures and disease outcomes. However, no method is readily available for exploring the relation between a discrete exposure and a binary or continuous outcome. We proposed a piecewise linear (PL) DRMA model as a solution to this issue. Methods: We illustrated the methodology of PL model in both one-stage DRMA approach and two-stage DRMA approach. The method by testing the equality of slopes of each piecewise was employed to judge if there is “piecewise effect” against simple linear trend. We then used sleep (continuous exposure) and parity (discrete exposure) data as examples to illustrate how to apply PL model in DRMA using the Stata code attached. We also empirically compared the slopes of PL model with simple linear as well as restricted cubic spline (RCS) model. Results: Both one-stage and two-stage PL DRMA model fitted well in our examples, and the results were similar. Obvious “piecewise effects” were detected in both the two examples by the method we used. In our example, the PL model showed better fitting effect and practical reliable results compared to simple linear model, while similar results for to RCS model. Conclusion: Piecewise linear function is a simple and valid method for DRMA and can be used for discrete exposures. It also represents a superior model to linear model in DRMA and may be an alternative model to non-linear model.
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 | 0,075 | 0,137 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,012 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».