A review of the use of propensity score methods with multiple treatment groups in the general internal medicine literature
Notice bibliographique
Résumé
BACKGROUND: Propensity score (PS) methods with two treatment groups (e.g., treated vs. control) is a well-established technique for reducing the effects of confounding in nonrandomized studies. However, researchers are often interested in comparing multiple interventions. PS methods have been modified to incorporate multiple exposures. We described available techniques for PS methods in multicategory exposures (≥3 groups) and examined their use in the medical literature. METHODS: A comprehensive search was conducted for studies published in PubMed, Embase, Google Scholar, and Web of Science until February 27, 2023. We included studies using PS methods for multiple groups in general internal medicine research. RESULTS: The literature search yielded 4088 studies (2616 from PubMed, 86 from Embase, 85 from Google Scholar, 1671 from Web of Science, five from other sources). In total, 264 studies using PS method for multiple groups were identified; 61 studies were on general internal medicine topics and included. The most commonly used method was that of McCaffrey et al., which was used in 26 studies (43%), where the Toolkit for Weighting and Analysis of Nonequivalent Groups (TWANG) method and corresponding inverse probabilities of treatment weights were estimated via generalized boosted models. The next most commonly used method was pairwise propensity-matched comparisons, which was used in 20 studies (33%). The method by Imbens et al. using a generalized propensity score was implemented in six studies (10%). Four studies (7%) used a conditional probability of being in a particular group given a set of observed baseline covariates where a multiple propensity score was estimated using a non-parsimonious multinomial logistic regression model. Four studies (7%) used a technique that estimates generalized propensity scores and then creates 1:1:1 matched sets, and one study (2%) used the matching weight method. CONCLUSIONS: Many propensity score methods for multiple groups have been adopted in the literature. The TWANG method is the most commonly used method in the general medical literature.
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 | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».