Studies based on health administrative data regarding rare outcomes in inflammatory bowel disease significantly underestimate the true risk—the importance of specificity
Notice bibliographique
Résumé
Health administrative data (HAD) have significantly increased our knowledge of rare outcomes in inflammatory bowel disease (IBD), such as cancer and mortality. We aimed to assess the information bias imposed by misclassification of the IBD diagnosis in HAD studies by performing quantitative bias analysis (QBA). In a narrative review, we identified pediatric-onset IBD (PIBD) HAD studies assessing cancer risk in which the PIBD case identification was based on published validation studies. We then performed QBA to adjust for non-differential exposure misclassification using the sensitivity and specificity values from country or region-specific validation studies. We present QBA on four recent studies reporting on cancer outcomes. Generally, we found the reported cancer risks biased towards the null. In the most extreme example, the relative risk changed from 2.0 (95% CI, 1.2-3.4) to 5.8 (95%CI, 2.5-13.7) after bias adjustment. The risk difference for this example rose from 1.0% (95% CI, 0.1-1.9) to 3.8% (95%CI, 1.4-7.9) after bias adjustment. The results from this study indicate that most HAD-based studies on rare long-term consequences of IBD significantly underestimate the true risk of the outcomes. These results can be extrapolated to other HAD-based studies with imperfect specificity of the case assertion algorithms.
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 | 0,284 | 0,538 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».