Relative Risk Regression for Clustered Data with Application to Oral Health Research
Notice bibliographique
Résumé
Introduction: Cluster-weighted generalized estimating equations (CWGEE) and doubly-weighted GEE (DWGEE) are used to produce unbiased estimates when informative cluster size (ICS) exists. However, their performance in estimating the relative risk (RR) from a Poisson regression is unknown. Methods: Using the dental data from the San Juan Overweight Adults Longitudinal Study (SOALS), we estimated the association between patient-level (sex, education level, smoking status, age) and tooth-level (bleeding upon probing) predictors and two types of outcomes with high and low prevalence each. We compared the odds ratio (OR) and RR estimates from logistic and Poisson CWGEE/DWGEE, respectively. Results: For patient-level covariates, the ORs estimated from logistic CWGEE/DWGEE and the RRs estimated from Poisson CWGEE/DWGEE were similar to the low-prevalence outcome (tooth loss). With the high-prevalence outcome (tooth loss or increase in attachment loss or pocket depth), the ORs were further from the null compared to the RRs. For example, within CWGEE, the OR of smoking was 1.301 (95% CI: 1.063-1.592), whereas the RR of smoking was 1.235 (95% CI: 1.052-1.450). For the tooth-level covariate (bleeding), there was a considerable difference between OR/RR on tooth loss estimated from CWGEE vs DWGEE. For example, the RR estimated from CWGEE was 1.692 (95% CI: 1.386-2.067), whereas the RR estimated from DWGEE was 1.354 (95% CI: 1.072-1.710). Discussion: CWGEE and DWGEE may produce different estimates for tooth-level (sub-cluster) covariates, especially when the prevalence of the outcome is low. In general, RRs estimated from Poisson CWGEE/DWGEE are closer to the null compared to ORs estimated from logistic CWGEE/DWGEE.
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 | 0,016 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 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 ».