Clarifying the causal contrast: An empirical example applying the prevalent new user study design
Notice bibliographique
Résumé
Abstract Purpose The prevalent new user design extends the active comparator new user design to include patients switching to a treatment of interest from a comparator. We examined the impact of adding “switchers” to incident new users on the estimated hazard ratio (HR) of hospitalized heart failure. Methods Using MarketScan claims data (2000–2014), we estimated HRs of hospitalized heart failure between patients initiating GLP‐1 receptor agonists (GLP‐1 RA) and sulfonylureas (SU). We considered three estimands: (1) the effect of incident new use; (2) the effect of switching; and (3) the effect of incident new use or switching, combining the two population. We used time‐conditional propensity scores (TCPS) and time‐stratified standardized morbidity ratio (SMR) weighting to adjust for confounding. Results We identified 76 179 GLP‐1 RA new users, of which 12% were direct switchers (within 30 days) from SU. Among incident new users, GLP‐1 RA was protective against heart failure (adjHR SMR = 0.74 [0.69, 0.80]). Among switchers, GLP‐1 RA was not protective (adjHR SMR = 0.99 [0.83, 1.18]). Results in the combined population were largely driven by the incident new users, with GLP‐1 RA having a protective effect (adjHR SMR = 0.77 [0.72, 0.83]). Results using TCPS were consistent with those estimated using SMR weighting. Conclusions When analyses were conducted only among incident new users, GLP‐1 RA had a protective effect. However, among switchers from SU to GLP‐1 RA, the effect estimates substantially shifted toward the null. Combining patients with varying treatment histories can result in poor confounding control and camouflage important heterogeneity.
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 | 0,011 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».