High‐Dimensional Disease Risk Score for Dealing With Residual Confounding Bias in Estimating Treatment Effects With a Survival Outcome
Notice bibliographique
Résumé
PURPOSE: Health administrative databases often contain no information on some important confounders, leading to residual confounding in the effect estimate. We aimed to explore the performance of high-dimensional disease risk score (hdDRS) to deal with residual confounding bias for estimating causal effects with survival outcomes. METHODS: We used health administrative data of 49 197 individuals in British Columbia to examine the relationship between tuberculosis infection and time-to-development of cardiovascular disease (CVD). We designed a plasmode simulation exploring the performance of eight hdDRS methods that varied by different approaches to fit the risk score model and also examined results from high-dimensional propensity score (hdPS) and traditional regression adjustment. The log-hazard ratio (log-HR) was the target parameter with a true value of log(3). RESULTS: In the presence of strong unmeasured confounding, the bias observed was -0.11 for the traditional method and -0.047 for the hdPS method. The bias ranged from -0.051 to -0.058 for hdDRS methods when risk score models were fitted to the full cohort and -0.045 to -0.049 when risk score models were fitted only to unexposed individuals. All methods showed comparable standard errors and nominal bias-eliminated coverage probabilities. With weak unmeasured confounding, hdDRS and hdPS produced approximately unbiased estimates. Our data analysis, after addressing residual confounding, revealed an 8%-11% higher CVD risk associated with tuberculosis infection. CONCLUSIONS: Our findings support the use of selected hdDRS methods to address residual confounding bias when estimating treatment effects with survival outcomes. In particular, the hdDRS method using rate-based risk score modeling on unexposed individuals consistently exhibited the least bias. However, the hdPS method showed comparable performance across most evaluated scenarios. We share reproducible R codes to facilitate researchers' adoption and further evaluation of these methods.
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 | 0,063 | 0,122 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».