Importance of accounting for timing of time‐varying exposures in association studies: Hydrochlorothiazide and non‐melanoma skin cancer
Notice bibliographique
Résumé
PURPOSE: Hydrochlorothiazide (HCTZ), a widely prescribed antihypertensive drug with photosensitising properties, has been linked with non-melanoma skin cancer (NMSC) risk. However, previous analyses did not fully explore if and how the impact of past HCTZ exposures accumulates with prolonged use and/or depends on time elapsed since exposures. Therefore, we used different models to more comprehensively assess how NMSC risk vary with HCTZ exposure, and explore how the results may depend on modeling strategies. METHODS: We used different parametric models with alternative time-varying exposure metrics, and the flexible weighted cumulative exposure model (WCE) to estimate associations between HCTZ exposures and NMSC risk in a population-based cohort of HCTZ users over 65 years old, in the province of Ontario, Canada. RESULTS: Among 3844 HCTZ users, 273 developed NMSC during up to 8 years of follow-up. In parametric models, based on all exposures, increased duration of past HCTZ use was associated with an increase of NMSC risk but cumulative dose showed no systematic association. Yet, WCE results suggested that only exposures taken 2.5-4 years in the past were associated with the current NMSC hazard. This finding led us to re-define the parametric models, which also confirmed that any HCTZ dose taken outside this time-window were not systematically associated with NMSC incidence. CONCLUSIONS: Our analyses illustrate how flexible modeling may yield new insights into complex temporal relationships between a time-varying drug exposure and risks of adverse events. Duration and recency of antihypertensive agents exposures must be taken into account in evaluating risk and benefits.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».