Tuberculosis in Prisons: Importance of Considering the Clustering in the Analysis of Cross-Sectional Studies
Notice bibliographique
Résumé
The level of clustering and the adjustment by cluster-robust standard errors have yet to be widely considered and reported in cross-sectional studies of tuberculosis (TB) in prisons. In two cross-sectional studies of people deprived of liberty (PDL) in Medellin, we evaluated the impact of adjustment versus failure to adjust by clustering on prevalence ratio (PR) and 95% confidence interval (CI). We used log-binomial regression, Poisson regression, generalized estimating equations (GEE), and mixed-effects regression models. We used cluster-robust standard errors and bias-corrected standard errors. The odds ratio (OR) was 20% higher than the PR when the TB prevalence was >10% in at least one of the exposure factors. When there are three levels of clusters (city, prison, and courtyard), the cluster that had the strongest effect was the courtyard, and the 95% CI estimated with GEE and mixed-effect models were narrower than those estimated with Poisson and binomial models. Exposure factors lost their significance when we used bias-corrected standard errors due to the smaller number of clusters. Tuberculosis transmission dynamics in prisons dictate a strong cluster effect that needs to be considered and adjusted for. The omission of cluster structure and bias-corrected by the small number of clusters can lead to wrong inferences.
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 | 0,442 | 0,700 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».