Simultaneously Dealing With Immortal Time Bias and Residual Confounding: A Case Study of a High‐Dimensional Propensity Score Approach With a Nested Case–Control Framework in Multiple Sclerosis Research
Notice bibliographique
Résumé
BACKGROUND: Observational studies of time-dependent treatments often face immortal time bias and residual confounding, complicating treatment effect estimation. We implemented a high-dimensional propensity score (hdPS) analysis within a nested case-control (NCC) framework to address both biases simultaneously. METHODS: We used a retrospective cohort of 19 360 individuals with multiple sclerosis (MS) in British Columbia, Canada, to examine the relationship between disease-modifying drugs (DMDs) and all-cause mortality. A 1:4 NCC analysis addressed immortal time bias, and hdPS was applied to handle residual confounding. Sensitivity analyses tested the robustness of findings across various hdPS parameters and matching strategies. RESULTS: We matched a total of 3209 cases to 12 293 controls in the NCC analysis, and demonstrated a 28% reduction in mortality risk associated with exposure to DMDs (hazard ratio [HR]: 0.72, 95% confidence interval [CI]: 0.62-0.84) in the NCC-hdPS analysis. Sensitivity analyses using different propensity score estimation techniques and control-matching strategies yielded consistent results, with HRs ranging between 0.70 and 0.77. CONCLUSIONS: This study offers a practical framework for addressing immortal time bias and residual confounding simultaneously, improving the validity of effect estimates in real-world studies. We shared reproducible R codes for researchers to facilitate the adoption of this methodology in their research.
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 | 0,148 | 0,215 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».