Addressing immortal time bias in precision medicine: Practical guidance and methods development
Notice bibliographique
Résumé
OBJECTIVE: To compare theoretical strengths and limitations of common immortal time adjustment methods, propose a new approach using multiple imputation (MI), and provide practical guidance for using MI in precision medicine evaluations centered on a real-world case study. STUDY SETTING AND DESIGN: Methods comparison, guidance, and real-world case study based on previous literature. We compared landmark analysis, time-distribution matching, time-dependent analysis, and our proposed MI application. Guidance for MI spanned (1) selecting the imputation method; (2) specifying and applying the imputation model; and (3) conducting comparative analysis and pooling estimates. Our case study used a matched cohort design to evaluate overall survival benefits of whole-genome and transcriptome analysis, a precision medicine technology, compared to usual care for advanced cancers, and applied both time-distribution matching and MI. Bootstrap simulation characterized imputation sensitivity to varying data missingness and sample sizes. DATA SOURCES AND ANALYTIC SAMPLE: Case study used population-based administrative data and single-arm precision medicine program data from British Columbia, Canada for the study period 2012 to 2015. PRINCIPAL FINDINGS: While each method described can reduce immortal time bias, MI offers theoretical advantages. Compared to alternative approaches, MI minimizes information loss and better characterizes statistical uncertainty about the true length of the immortal time period, avoiding false precision. Additionally, MI explicitly considers the impacts of patient characteristics on immortal time distributions, with inclusion criteria and follow-up period definitions that do not inadvertently risk biasing evaluations. In the real-world case study, survival analysis results did not substantively differ across MI and time distribution matching, but standard errors based on MI were higher for all point estimates. Mean imputed immortal time was stable across simulations. CONCLUSIONS: Precision medicine evaluations must employ immortal time adjustment methods for unbiased, decision-grade real-world evidence generation. MI is a promising solution to the challenge of immortal time 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 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 | 0,015 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».