Omitting patients with no follow-up leads to bias when using inverse-intensity weighted GEEs to handle irregular and informative assessment times
Notice bibliographique
Résumé
BACKGROUND: Longitudinal data can be used to study disease progression and are often collected at irregular intervals. When the assessment times are informative about the severity of the disease, regression analyses of the outcome trajectory over time based on Generalized Estimating Equations (GEEs) result in biased estimates of regression coefficients. Inverse-intensity weighted GEEs (IIW-GEEs) are a popular approach to account for informative assessment times and yield unbiased estimates of outcome model coefficients when the assessment times and outcomes are conditionally independent given previously observed data. However, a consequence of irregular assessment times is that some patients may have no follow-up assessments at all, and it is common practice to omit these patients from analyses when studying the outcome trajectory over time. METHODS: We show mathematically that IIW-GEEs yield biased estimates of regression coefficients when patients with no follow-up assessments are excluded from analyses. We design a simulation study to evaluate how the bias varies with sample size, assessment frequency, follow-up time, and the informativeness of the assessment time process. Using the STAR*D trial of treatments for major depressive disorder, we examine the extent of bias in practice. RESULTS: Our simulation results showed the bias incurred by omitting patients with no follow-up visits increased as visit frequency decreased and as the duration of follow-up decreased. In the STAR*D trial, omitting patients with no follow-up visits led to over-estimation of the rate of improvement in depressive symptoms. CONCLUSIONS: Studies should be designed to ensure patients with no follow-up are included in the data. This can be achieved by a) creating inception cohorts; b) when taking sub-samples of existing cohorts, ensuring that patients without follow-up assessments are included; c) dropping exclusion criteria based on availability of follow-up visits.
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 | 0,009 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».