Effect of alcohol consumption on breast cancer: probabilistic bias analysis for adjustment of exposure misclassification bias and confounders
Notice bibliographique
Résumé
PURPOSE: This study was conducted to evaluate the effect of alcohol consumption on breast cancer, adjusting for alcohol consumption misclassification bias and confounders. METHODS: This was a case-control study of 932 women with breast cancer and 1000 healthy control. Using probabilistic bias analysis method, the association between alcohol consumption and breast cancer was adjusted for the misclassification bias of alcohol consumption as well as a minimally sufficient set of adjustment of confounders derived from a causal directed acyclic graph. Population attributable fraction was estimated using the Miettinen's Formula. RESULTS: Based on the conventional logistic regression model, the odds ratio estimate between alcohol consumption and breast cancer was 1.05 (95% CI: 0.57, 1.91). However, the adjusted estimates of odds ratio based on the probabilistic bias analysis ranged from 1.82 to 2.29 for non-differential and from 1.93 to 5.67 for differential misclassification. Population attributable fraction ranged from 1.51 to 2.57% using non-differential bias analysis and 1.54-3.56% based on differential bias analysis. CONCLUSION: A marked measurement error was in self-reported alcohol consumption so after correcting misclassification bias, no evidence against independence between alcohol consumption and breast cancer changed to a substantial positive association.
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 | 0,107 | 0,230 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,010 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».