Impact of time-varying exposure on estimated effects in observational studies using routinely collected data: protocol for a cross-sectional study
Notice bibliographique
Résumé
INTRODUCTION: Time-varying exposure is an important issue that should be addressed in longitudinal observational studies using routinely collected data (RCD) for drug treatment effects. How well investigators designed, analysed and reported time-varying exposure, and to what extent the divergence that can be observed between different methods used for handling time-varying exposure in these studies remains uncertain. We will conduct a cross-sectional study to comprehensively address this question. METHODS AND ANALYSIS: We have developed a comprehensive search strategy to identify all studies exploring drug treatment effects including both effectiveness and safety that used RCD and were published in core journals between 2018 and 2020. We will collect information regarding general study characteristics, data source profile, methods for handling time-varying exposure, results and the interpretation of findings from each eligibility. Paired reviewers will screen and extract data, resolving disagreements through discussion. We will describe the characteristics of included studies, and summarise the method used for handling time-varying exposure in primary analysis and sensitivity analysis. We will also compare the divergence between different approaches for handling time-varying exposure using ratio of risk ratios. ETHICS AND DISSEMINATION: No ethical approval is required because the data we will use do not include individual patient data. Findings will be disseminated through peer-reviewed publications.
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 | 0,232 | 0,334 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,005 |
| Méta-épidémiologie (sens large) | 0,007 | 0,011 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,009 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,041 | 0,011 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».