Effects of sparse follow-up on marginal structural models for time-to-event data
Notice bibliographique
Résumé
Background: Survival time is a common parameter of interest that can be estimated by using Cox Proportional Hazards models when measured continuously. An alternative way to estimate hazard ratios is to cut up time into equal-lengthed intervals and consider the by-interval outcome to be 0 if the person is alive during this interval and 1 otherwise. In this discrete-time approximation, instead of using a Cox model, one should perform pooled logistic regression to get unbiased estimate of survival time under the assumption of low death rate per interval. This fact is satisfied when shorter intervals is used in order to have fewer events in each time, however, by doing this, problems such as missing values can arise because the actual visits occur less frequently in a survival setting and one must therefore account for the missing values. Objective: We investigate the effect of two methods of filling in missing data, Last Observation Carried Forward (LOCF) and Multiple Imputation (MI), as well as Available Case Study. We compare these three different approaches to complete data analysis. Methods: Weighted pooled logistic regression is used to estimate the causal marginal treatment effect. Complete data were generated using Young's algorithm to obtain monthly information for all individuals, and from the complete data, observed data were selected by assuming follow-up visits occurred every six or three months. Thus, to analyze the observed data at a monthly level, we performed LOCF and MI to fill in the missing values and compared the results to those from a completely-observed data analysis. We also included an analysis of the observed-data without any imputation. We then applied these methods to the Canadian Co-infection Cohort to estimate the impact of alcohol consumption on liver fibrosis.Results: In most simulations, MI produced the least biased and least variant estimators, even outperforming analyses based on completely-observed data. In the presence of stronger confounding, MI-based estimators were more biased but nevertheless less variant than the estimators based on completely-observed data.Conclusion: Multiple Imputation is superior to last-observation carried forward and observed-data analysis when marginal structural models are used to adjust for time-varying exposure and variables in the context of survival analysis and data are missing or infrequently measured.
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 | 0,239 | 0,495 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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; 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 ».