Accommodating the Analysis Model in Multiple Imputation for the Weibull Mixture Cure Model:Performance under Penalized Likelihood
Notice bibliographique
Résumé
Introduction In analysis of time-to-event outcomes, a mixture cure (MC) model is preferred over a standard survival model when the sample includes individuals who will never experience the event of interest. Motivated by a cohort study of breast cancer patients with incomplete biomarkers, we develop multiple imputation (MI) methods assuming a Weibull proportional hazards (PH-MC) analysis model with multiple prognostic factors. However, for MI with fully conditional specification, an incorrectly-specified imputation model can impair accuracy of point and interval estimates. Objectives and Methods Our goal is to propose imputation models that are compatible with the Weibull PH-MC analysis models. We derive an exact conditional distribution (ECD) imputation model which involves the analysis model likelihood. Using simulation studies, we compare effect estimate bias and confidence interval (CI) coverage under alternative imputation models including the ECD model, an approximation that includes a cure indicator (cECD), and a comprehensive simple (CS) model. For robust parameter estimation in finite and/or sparse samples, we incorporate the Firth-type penalized likelihood (FT-PL) and combined likelihood profile (CLIP) methods into the MI. Results Compared to complete case analysis, MI with penalization reduces estimation bias and improves coverage. Although ECD and cECD perform similarly at higher event rates, ECD generates smaller bias and higher coverage at lower rates. CS has larger bias and lower coverage than ECD and cECD, but CIs are narrower than for cECD. Conclusions In analyses of biomarkers and composite subtypes for prognosis studies such as in breast cancer, use of compatible imputation models and penalization methods are recommended for MC modelling in samples with low event numbers and/or with covariate imbalance.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».