A Bayesian approach for two‐stage multivariate Mendelian randomization with mixed outcomes
Notice bibliographique
Résumé
Many research studies have investigated the relationship between baseline factors or exposures, such as patient demographic and disease characteristics, and study outcomes such as toxicities or quality of life, but results from most of these studies may be problematic because of potential confounding effects (eg, the imbalance in baseline factors or exposures). It is important to study whether the baseline factors or exposures have causal effects on the clinical outcomes, so that clinicians can have better understanding of the diseases and develop personalized medicine. Mendelian randomization (MR) provides an efficient way to estimate the causal effects using genetic instrumental variables to handle confounders, but most of the existing studies focus on a single outcome at a time and ignores the correlation structure of multiple outcomes. Given that clinical outcomes like toxicities and quality of life are usually a mixture of different types of variables, and multiple datasets may be available for such outcomes, it may be much more beneficial to analyze them jointly instead of separately. Some well-established methods are available for building multivariate models on mixed outcomes, but they do not incorporate MR mechanism to deal with the confounders. To overcome these challenges, we propose a Bayesian-based two-stage multivariate MR method for mixed outcomes on multiple datasets, called BMRMO. Using simulation studies and clinical applications on the CO.17 and CO.20 studies, we demonstrate better performance of our approach compared to the commonly used univariate two-stage method.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».