Probabilistic Quantitative Bias Analysis for Misclassification and Uncontrolled Confounding: A Methodological Tutorial Using Real-World Data
Notice bibliographique
Résumé
BACKGROUND: Observational studies and clinical trials are vulnerable to multiple sources of bias that can distort study findings. This methodological tutorial demonstrates the application of probabilistic quantitative bias analysis (QBA) to adjust for exposure misclassification, outcome misclassification, and uncontrolled confounding, using the association between obesity (exposure) and hypertension (outcome) as an exemplar. METHODS: Publicly available data from the National Health and Nutrition Examination Survey were temporally split into an analysis dataset to estimate the association of interest (2021-2023, n = 5165) and a validation dataset to derive bias parameters (2003-2016, n = 33,103). Misclassification was introduced by using self-reported measures to define obesity and hypertension rather than measured objective assessments (height, weight, and blood pressure). Uncontrolled confounding was introduced by omitting adjustment for socioeconomic status. Bias parameters were estimated and applied in a Monte Carlo-based probabilistic QBA to obtain bias-adjusted measures of association by age group and sex. RESULTS: After correcting for nondifferential misclassification of obesity, bias-adjusted estimates were consistently larger than conventional estimates across all age and sex subgroups, indicating that self-reported height and weight attenuated the obesity-hypertension association. Accounting for differential misclassification of hypertension generally yielded smaller bias-adjusted estimates, suggesting that self-reported hypertension overestimated the association, except among males 40-59 years of age, where it was attenuated. Adjustment for uncontrolled confounding by socioeconomic status resulted in larger bias-adjusted estimates, particularly in older adults, indicating further attenuation due to residual confounding. CONCLUSIONS: QBA offers a practical approach to assess and account for bias, improving the interpretation and reliability of results in cardiovascular studies.
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 | 0,158 | 0,322 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,008 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».