Causal diagrams for disease latency bias
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,048 | 0,204 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».