Emulating a Target Trial Using Primary-Care Electronic Health Records: Sodium-Glucose Cotransporter 2 Inhibitor Medications and Hemoglobin A1c
Notice bibliographique
Résumé
Substantial effort has been dedicated to conducting randomized controlled experiments to generate clinical evidence for diabetes treatment. Randomized controlled experiments are the gold standard for establishing cause and effect. However, due to their high cost and time commitment, large observational databases such as those comprised of electronic health record (EHR) data collected in routine primary care may provide an alternative source with which to address such causal objectives. We used a Canadian primary-care data repository housed at the University of Toronto (Toronto, Ontario, Canada) to emulate a randomized experiment. We estimated the effectiveness of sodium-glucose cotransporter 2 inhibitor (SGLT-2i) medications for patients with diabetes using hemoglobin A1c (HbA1c) as a primary outcome and marker for glycemic control from 2018 to 2021. We assumed an intention-to-treat analysis for prescribed treatment, with analyses based on the treatment assigned rather than the treatment eventually received. We defined the causal contrast of interest as the net change in HbA1c (percent) between the group receiving the standard of care versus the group receiving SGLT-2i medication. Using a counterfactual framework, marginal structural models demonstrated a reduction in mean HbA1c level with the initiation of SGLT-2i medications. These findings provided effect sizes similar to those from earlier clinical trials on assessing the effectiveness of SGLT-2i medications.
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 | 0,231 | 0,231 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,008 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».