MultiCenter Interrupted Time Series Analysis: Incorporating Within and Between-Center Heterogeneity
Notice bibliographique
Résumé
Joycelyne E Ewusie,1,2 Lehana Thabane,1 Joseph Beyene,1 Sharon E Straus,3 Jemila S Hamid1,2,4 1Department of Health Research Methods, Evidence, and Impact, McMaster University, Hamilton, Ontario, Canada; 2School of Epidemiology and Public Health, University of Ottawa, Ottawa, Canada; 3Li Ka Shing Knowledge Institute of St Michael’s Hospital, Toronto, Ontario, Canada; 4Children’s Hospital of Eastern Ontario, Ottawa, Ontario, CanadaCorrespondence: Jemila S HamidChildren’s Hospital of Eastern Ontario, Ottawa, Ontario, CanadaTel +1 613 737-7600 x 4194Email jhamid@uottawa.caBackground: Segmented regression (SR) is the most common statistical method used in the analysis of interrupted time series (ITS) data. However, this modeling strategy is indicated to produce spurious results when applied to aggregated data. For multicenter ITS studies, data at a given time point are often aggregated across different participants and settings; thus, conventional segmented regression analysis may not be an optimal approach. Our objective is to provide a robust method for analysis of ITS data, while accounting for two sources of heterogeneity, between participants and across sites.Methods: We present a methodological framework within the segmented regression modeling strategy, where we introduced weights to account for between-participant variation and the differences across multiple sites. We empirically compared the proposed weighted segmented regression (wSR) with the conventional SR as well as with a previously published pooled analysis method using data from the Mobility of Vulnerable Elders in Ontario (MOVE-ON) project, a multisite ITS study.Results: Overall, the wSR produced the most precise estimates, where they had the narrowest 95% CI, while the conventional SR method resulted in the least precise estimates. Our method also resulted in increased power. The pooled analysis method and the wSR had comparable results when there were ≤ 4 sites included in the overall analysis and when there was moderate to high between-site heterogeneity as measured by the I2 statistic.Conclusion: Incorporating participant-level and site-level variability led to estimates that were more precise and accurate in determining the magnitude of the effect of an intervention and led to increased statistical power. This underscores the importance of accounting for the inherent variability in aggregated data. Extensive simulations are required to further assess the methods in a wide range of scenarios and outcome types.Keywords: aggregated data, weighted segmented regression, pooled analysis, interrupted time series, multisite studies
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».