Methods for inference under Assessment Not at Random in electronic health records data
Notice bibliographique
Résumé
Analyses of observational longitudinal data, such as those from electronic health records (EHR) databases, are becoming increasingly important in informing healthcare decision-making. However, analyzing EHR data can be challenging because the assessments are often irregularly spaced, with frequency and timing related to the patient's health status. Existing methods account for irregular assessment times under the assumption that assessment at any given time is conditionally independent of the outcome at that time, given the observed history -- known as Assessment at Random (AAR). However, there is a lack of methodology for handling scenarios where latent, potentially time-varying factors influence both the outcome and assessment processes, known as Assessment Not at Random (ANAR). This situation can occur in relapsing-remitting diseases, where patients may experience relapses between scheduled assessments and require as-needed assessments for urgent treatment. This thesis presents methodology for first characterizing the irregular assessment process and evaluating the plausibility of AAR, and then, for cases where there is evidence of departures from AAR, both semiparametric and parametric approaches to accommodate ANAR are proposed. The semiparametric approach involves positing a specific form of dependence between the unobserved outcome and assessment process, and having the strength of that relationship governed by a set of sensitivity parameters, which are varied over a grid of plausible values. The exploration of parametric approaches begins with examining when standard mixed effects models on the outcome alone are sufficient, and then shows how joint models of the outcome and assessment process can be specified when needed. These joint models accommodate a form of ANAR where the two processes are linked through subject-specific, time-invariant random effects. The last methodological component is a Bayesian joint model incorporating the relapse process is developed, which has the potential to provide useful prognostic information that is not available when using standard mixed effects models. The use of the proposed methodology is illustrated through an application to a real-world pediatric study on juvenile dermatomyositis.
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 | 0,184 | 0,462 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,009 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».