Comparing Methods for Missing Paternal Linkages in Administrative Data
Notice bibliographique
Résumé
ObjectiveAdministrative data often lacks complete family linkages, particularly to fathers, hindering familial health research. We compared methods to address missing paternal linkages in research investigating the familial transfer of mental disorders. ApproachA population-based cohort study of Manitoba (Canada) born adults, +18 years old between 1977 and 2017 with maternal linkages. Three methods were used to address missing paternal linkages: indicator category, complete case, and multiple imputation, which identified three candidate fathers for each individual within -4 to +7 years of mother’s age with same postal code. For each method, the association of maternal and paternal history with mental disorder risk during follow-up was tested using multivariable logistic regression models adjusted for demographics and comorbidities. ResultsThe cohort included 142,549 individuals; 22.6% lacked paternal linkages. Using indicator category, maternal and paternal histories were associated with mental disorder risk, with odds ratio (OR) 1.49, 95% confidence interval (CI): 1.45-1.52 and OR 1.34, 95% CI: 1.30-1.37, respectively. Similar results were obtained in the complete case analysis (OR 1.49, 95% CI: 1.45-1.53 and OR 1.33, 95% CI: 1.30-1.37, for maternal and paternal history, respectively). With multiple imputation, maternal history’s association with mental disorder risk remained consistent with the other methods (pooled OR 1.52, 95% CI: 1.49-1.56); paternal history was associated with a smaller risk (pooled OR 1.25 95% CI: 1.22-1.29). Conclusions and ImplicationsThe three methods for addressing missing paternal linkages produced similar findings about the familial transfer of mental disorders. Future familial studies could incorporate multiple methods to demonstrate robustness of findings.
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 | 0,007 | 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 | 0,002 | 0,004 |
| Science ouverte | 0,003 | 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 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 ».