NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Deneklerin bir etkinlik zamanına geç kayıt olması, taraflı sonuç ve eş değişken dağılımları olan bir örnekle sonuçlanabilir. Ek olarak, hasta yükü veya yüksek test maliyetleri nedeniyle bilginin toplanması zor olduğunda bu çalışmalarda eksik eş değişkenlik verileri ortaya çıkabilir. Birden fazla imputation (MI) ve artırılmış ters olasılık ağırlıklandırması (AIPW) gibi bazı yaygın eksik veri stratejileri, eksik kovariatın dağılımının modellenmesini içerir, bu da sol kesikli bir örnekle yanlış olabilir. Simülasyon çalışmaları sayesinde, bu yöntemlerin performansını, Cox regresyon parametrelerini çeşitli durma ve eksik veri senaryoları altında tahmin etmede araştırıyoruz. MI ve AIPW'nin çok düşük olduğunda yaklaşık olarak tarafsız olabileceğini görüyoruz. Aksi takdirde, kovaryate dağılımının taraflı tahmini, MI'nın kötü performans göstermesine neden olabilir. Benzer şekilde, AIPW, bazı ayarlarda kayıp olmayan kovaryatlara sahip olma olasılığının doğru tahminine daha fazla güvenebilir. Bu yaklaşımları Parkinson hastalığı demans biyobelirteç çalışmasına uyguluyoruz. Eksik kovaryatlarla sol kesikli verilerin analizinde, geçerli sonuçlar elde etmek için veri özelliklerinin ve yöntem varsayımlarının dikkatli bir şekilde ele alınması gerekir.Ek bilgilerOnline sürüm 10.1007/s12561-024-09442-9'da mevcut ek materyal içerir.
Özgün kaynak özetini okuyun
Delayed enrollment of subjects into a time-to-event study may result in a sample with biased outcome and covariate distributions. Additionally, missing covariate data may arise in these studies when information is difficult to collect due to patient burden or high testing costs. Some common missing data strategies, such as multiple imputation (MI) and augmented inverse probability weighting (AIPW), involve modeling the distribution of the missing covariate, which may be inaccurate with a left-truncated sample. Through simulation studies, we explore the performance of these methods in estimating Cox regression parameters under a variety of truncation and missing data scenarios. We find that MI and AIPW may be approximately unbiased when truncation is very low. Otherwise, biased estimation of the covariate distribution can cause MI to perform poorly. Similarly, AIPW may rely more heavily on correct estimation of the probability of having non-missing covariates in some settings. We apply these approaches to a Parkinson's disease dementia biomarker study. In analyzing left-truncated data with missing covariates, careful consideration of the data characteristics and method assumptions is needed to obtain valid results.Supplementary informationThe online version contains supplementary material available at 10.1007/s12561-024-09442-9.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.