Causal diagrams for disease latency bias
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Disease latency is defined as the time from disease initiation to disease diagnosis. Disease latency bias (DLB) can arise in epidemiological studies that examine latent outcomes, since the exact timing of the disease inception is unknown and might occur before exposure initiation, potentially leading to bias. Although DLB can affect epidemiological studies that examine different types of chronic disease (e.g. Alzheimer's disease, cancer etc), the manner by which DLB can introduce bias into these studies has not been previously elucidated. Information on the specific types of bias, and their structure, that can arise secondary to DLB is critical for researchers, to enable better understanding and control for DLB. DEVELOPMENT: Here we describe four scenarios by which DLB can introduce bias (through different structures) into epidemiological studies that address latent outcomes, using directed acyclic graphs (DAGs). We also discuss potential strategies to better understand, examine and control for DLB in these studies. APPLICATION: Using causal diagrams, we show that disease latency bias can affect results of epidemiological studies through: (i) unmeasured confounding; (ii) reverse causality; (iii) selection bias; (iv) bias through a mediator. CONCLUSION: Disease latency bias is an important bias that can affect a number of epidemiological studies that address latent outcomes. Causal diagrams can assist researchers better identify and control for this bias.
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.
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 | 0,002 | 0,002 |
| 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 | 0,000 |
| 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 découle