Comparison of survival analysis approaches to modelling age at first sex among youth in Kisesa Tanzania
Notice bibliographique
Résumé
BACKGROUND: Many studies analyze sexual and reproductive event data using descriptive life tables. Survival analysis has better power to estimate factors associated with age at first sex (AFS), but proportional hazards models may not be right model to use. This study used accelerated failure time (AFT) models, restricted Mean Survival time model (RMST) models, with semi and non-parametric methods to assess age at first sex (AFS), factors associated with AFS, and verify underlying assumptions for each analysis. METHODS: Self-reported sexual debut data was used from respondents 15-24 years in eight cross-sectional surveys between 1994-2016, and from adolescents' survey in an observational community study (2019-2020) in northwest Tanzania. Median AFS was estimated in each survey using non-parametric and parametric models. Cox regression, AFT parametric models (exponential, gamma, generalized gamma, Gompertz, Weibull, log-normal and log-logistic), and RMST were used to estimate and identify factors associated with AFS. The models were compared using Akaike information criterion (AIC) and Bayesian information criterion (BIC), where lower values represent a better model fit. RESULTS: The results showed that in every survey, the Cox regression model had higher AIC and BIC compared to the other models. Overall, AFT had the best fit in every survey round. The estimated median AFS using the parametric and non-parametric methods were close. In the adolescent survey, log-logistic AFT showed that females and those attending secondary and higher education level had a longer time to first sex (Time ratio (TR) = 1.03; 95% CI: 1.01-1.06, TR = 1.05; 95% CI: 1.02-1.08, respectively) compared to males and those who reported not being in school. Cell phone ownership (TR = 0.94, 95% CI: 0.91-0.96), alcohol consumption (TR = 0.88; 95% CI: 0.84-0.93), and employed adolescents (TR = 0.95, 95% CI: 0.92-0.98) shortened time to first sex. CONCLUSION: The AFT model is better than Cox PH model in estimating AFS among the young population.
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 | 0,017 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».