Estimating additive interaction in 2-stage individual participant data meta-analysis
Notice bibliographique
Résumé
Individual participant data (IPD) meta-analysis provides important opportunities to study interaction and effect modification for which individual studies often lack power. While previous meta-analyses have commonly focused on multiplicative interaction, additive interaction holds greater relevance for public health and may in certain contexts better reflect biological interaction. Methodological literature on interaction in IPD meta-analysis does not cover additive interaction for models including binary or time-to-event outcomes. We aimed to describe how the Relative Excess Risk due to Interaction (RERI) and other measures of additive interaction or effect modification can be validly estimated within 2-stage IPD meta-analysis. First, we explain why direct pooling of study-level RERI estimates may lead to invalid results. Next, we propose a 3-step procedure to estimate additive interaction: (1) estimate effects of both exposures and their product term on the outcome within each individual study; (2) pool study-specific estimates using multivariate meta-analysis; (3) estimate an overall RERI and 95% confidence interval based on the pooled effect estimates. We illustrate this procedure by investigating interaction between depression and smoking and risk of smoking-related cancers using data from the PSYchosocial factors and Cancer (PSY-CA) consortium. We discuss implications of this procedure, including the application in meta-analysis based on published data.
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 | 0,162 | 0,250 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,015 | 0,055 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».