Effect Measure Modification by Covariates in Mediation: Extending Regression-based Causal Mediation Analysis
Notice bibliographique
Résumé
Existing methods for regression-based mediation analysis assume that the exposure-mediator effect, exposure-outcome effect, and mediator-outcome effect are constant across levels of the baseline characteristics of patients. However, investigators often have insight into how these underlying effects may be modified by baseline characteristics and are interested in how the resulting mediation effects, such as the natural direct effect (NDE), the natural indirect effect. (NIE), and the proportion mediated, are modified by these baseline characteristics. Motivated by an empirical example of anti-interleukin-1 therapy's benefit on incident anemia reduction and its mediation by an early change in an inflammatory biomarker, we extended the closed-form regression-based causal mediation analysis with effect measure modification (EMM). Using a simulated numerical example, we demonstrated that naive analysis without considering EMM can give biased estimates of NDE and NIE and visually illustrated how baseline characteristics affect the presence and magnitude of EMM of NDE and NIE. We then applied the extended method to the empirical example informed by pathophysiologic insights into potential EMM by age, diabetes, and baseline inflammation. We found that the proportion modified through the early post-treatment inflammatory biomarker was greater for younger, nondiabetic patients with lower baseline level of inflammation, suggesting differential usefulness of the early post-treatment inflammatory biomarker in monitoring patients depending on baseline characteristics. To facilitate the adoption of EMM considerations in causal mediation analysis by the wider clinical and epidemiologic research communities, we developed a free- and open-source R package, regmedint.
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 | 0,009 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».