Comparing <scp>IPCW</scp> Models to Adjust for Informative Censoring During <scp>COVID</scp> ‐19 Using Data From the Clinical Practice Research Datalink
Notice bibliographique
Résumé
PURPOSE: Observational comparative studies can be analyzed using intention-to-treat (ITT) (i.e., initial-treatment) or as-treated (AT) (i.e., per-protocol) approaches to estimate distinct treatment effects. Unfortunately, AT analyses have an increased vulnerability to selection bias from informative censoring. While methods for informative censoring adjustment are well established, the nuances of their implementation are less well documented. METHODS: We compared marginal hazard ratios for all-cause mortality from ITT and AT analyses comparing new users of selective serotonin reuptake inhibitors (SSRIs) and serotonin-norepinephrine reuptake inhibitors (SNRIs) in the clinical practice research datalink from 2019 to 2022 using inverse probability of treatment weights. We created inverse probability of censoring weights (IPCW) using (A) non-lagged and (B) lagged models to adjust for informative censoring in the AT analyses. We replicated analyses comparing acetylcholinesterase inhibitor and angiotensin receptor blocker initiators to assess the impact of IPCW in a different context. RESULTS: We identified 335 469 SSRI initiators and 24 318 SNRI initiators. While AT estimates (HR: 1.50, 95% CI: 1.30-1.74) were further from the null than ITT estimates (HR: 1.22, 95% CI: 1.12-1.32), applying IPCW attenuated AT estimates using both lagged and non-lagged models (lagged HR: 1.24, 95% CI: 1.08-1.44; non-lagged HR: 1.16, 95% CI: 1.00-1.33). In the 337 981 antihypertensive initiators, however, IPCW did not influence AT estimates. CONCLUSIONS: Younger patients were more likely to discontinue SSRIs than SNRIs, resulting in biased AT estimates closer to estimates in older patients. IPCW attenuated this bias, highlighting the utility of weighting when censoring is linked to patient characteristics.
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 | 0,218 | 0,484 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,014 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,042 | 0,004 |
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 ».