Application of a Web-based Tool for Quantitative Bias Analysis: The Example of Misclassification Due to Self-reported Body Mass Index
Notice bibliographique
Résumé
BACKGROUND: We describe the use of Apisensr, a web-based application that can be used to implement quantitative bias analysis for misclassification, selection bias, and unmeasured confounding. We apply Apisensr using an example of exposure misclassification bias due to use of self-reported body mass index (BMI) to define obesity status in an analysis of the relationship between obesity and diabetes. METHODS: We used publicly available data from the National Health and Nutrition Examination Survey. The analysis consisted of: (1) estimating bias parameter values (sensitivity, specificity, negative predictive value, and positive predictive value) for self-reported obesity by sex, age, and race-ethnicity compared to obesity defined by measured BMI, and (2) using Apisensr to adjust for exposure misclassification. RESULTS: The discrepancy between self-reported and measured obesity varied by demographic group (sensitivity range: 75%-89%; specificity range: 91%-99%). Using Apisensr for quantitative bias analysis, there was a clear pattern in the results: the relationship between obesity and diabetes was underestimated using self-report in all age, sex, and race-ethnicity categories compared to measured obesity. For example, in non-Hispanic White men aged 40-59 years, prevalence odds ratios for diabetes were 3.06 (95% confidence inerval = 1.78, 5.30) using self-reported BMI and 4.11 (95% confidence interval = 2.56, 6.75) after bias analysis adjusting for misclassification. CONCLUSION: Apisensr is an easy-to-use, web-based Shiny app designed to facilitate quantitative bias analysis. Our results also provide estimates of bias parameter values that can be used by other researchers interested in examining obesity defined by self-reported BMI.
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 | 0,030 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».