Validation des modèles statistiques tenant compte des variables dépendantes du temps en prévention primaire des maladies cérébrovasculaires
Bibliographic record
Abstract
Lâintérêt principal de cette recherche porte sur la validation dâune méthode\nstatistique en pharmaco-épidémiologie. Plus précisément, nous allons comparer\nles résultats dâune étude précédente réalisée avec un devis cas-témoins niché dans\nla cohorte utilisé pour tenir compte de lâexposition moyenne au traitement :\nâ aux résultats obtenus dans un devis cohorte, en utilisant la variable exposition\nvariant dans le temps, sans faire dâajustement pour le temps passé\ndepuis lâexposition ;\nâ aux résultats obtenus en utilisant lâexposition cumulative pondérée par le\npassé récent ;\nâ aux résultats obtenus selon la méthode bayésienne.\nLes covariables seront estimées par lâapproche classique ainsi quâen utilisant\nlâapproche non paramétrique bayésienne. Pour la deuxième le moyennage bayésien\ndes modèles sera utilisé pour modéliser lâincertitude face au choix des modèles.\nLa technique utilisée dans lâapproche bayésienne a été proposée en 1997 mais\nselon notre connaissance elle nâa pas été utilisée avec une variable dépendante du\ntemps. Afin de modéliser lâeffet cumulatif de lâexposition variant dans le temps,\ndans lâapproche classique la fonction assignant les poids selon le passé récent sera\nestimée en utilisant des splines de régression.\nAfin de pouvoir comparer les résultats avec une étude précédemment réalisée,\nune cohorte de personnes ayant un diagnostique dâhypertension sera construite\nen utilisant les bases des données de la RAMQ et de Med-Echo.\nLe modèle de Cox incluant deux variables qui varient dans le temps sera\nutilisé. Les variables qui varient dans le temps considérées dans ce mémoire sont\niv\nla variable dépendante (premier évènement cérébrovasculaire) et une des variables\nindépendantes, notamment lâexposition
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".