Applying a multiverse approach in ReACH cohort studies to examine the impact of Prenatal Alcohol Exposure data harmonization and analytical choices on research findings
Notice bibliographique
Résumé
Pooling individual participant data from multiple studies can increase power to detect effects. However, when studies use different measures for the same constructs, harmonizing measures of that construct should precede statistical analysis on pooled data. A multiverse analysis conducts the desired analysis across all available datasets that could be obtained (e.g., using different definitions of constructs in harmonization), thus enabling the comparison of results across choice combinations. The present paper explores the impact of harmonization decisions using a case study. Data from four Canadian studies available through Research Advancement through Cohort Cataloguing and Harmonization (ReACH) are used to assess whether Prenatal Alcohol Exposure (PAE) is predictive of low birthweight (LBW) for gestational age (GA). We focused on variations within two dimensions: PAE definition and statistical model. Analyses controlled for smoking, gestational hypertension, gestational diabetes, ethnicity, income, and age. Results indicate that conclusions about the relationships between PAE and LBW controlling for covariates depend on the definition of PAE, the choice of the statistical method, and timeframe. We discuss possible causes of variability in conclusions and how multiverse analysis can be used to assess the robustness of conclusions in data synthesis, following harmonization for other research questions in epidemiology
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 | 0,442 | 0,577 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,011 |
| Bibliométrie | 0,014 | 0,016 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; 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 ».