Validation des modèles statistiques tenant compte des variables dépendantes du temps en prévention primaire des maladies cérébrovasculaires
Bibliographic record
Abstract
L’intérêt principal de cette recherche porte sur la validation d’une méthode\nstatistique en pharmaco-épidémiologie. Plus précisément, nous allons comparer\nles résultats d’une étude précédente réalisée avec un devis cas-témoins niché dans\nla cohorte utilisé pour tenir compte de l’exposition moyenne au traitement :\n– aux résultats obtenus dans un devis cohorte, en utilisant la variable exposition\nvariant dans le temps, sans faire d’ajustement pour le temps passé\ndepuis l’exposition ;\n– aux résultats obtenus en utilisant l’exposition cumulative pondérée par le\npassé récent ;\n– aux résultats obtenus selon la méthode bayésienne.\nLes covariables seront estimées par l’approche classique ainsi qu’en utilisant\nl’approche non paramétrique bayésienne. Pour la deuxième le moyennage bayésien\ndes modèles sera utilisé pour modéliser l’incertitude face au choix des modèles.\nLa technique utilisée dans l’approche bayésienne a été proposée en 1997 mais\nselon notre connaissance elle n’a pas été utilisée avec une variable dépendante du\ntemps. Afin de modéliser l’effet cumulatif de l’exposition variant dans le temps,\ndans l’approche 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 d’hypertension 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 l’exposition
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.089 | 0.188 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.008 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 0.004 |
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 source (direct Gemma or distilled Codex), 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".