Integrating Misclassified EHR Outcomes with Validated Outcomes from a Non-probability Sample
整合误分类电子病历结局与非概率样本中的验证结局AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以平均处理效应为估计目标，并处理测量误差及选择偏差，因此归入因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
整合误分类电子病历结局与非概率样本中的验证结局
- 研究问题
- 如何结合大规模电子病历中的误分类二元结局与带选择偏差的小型验证样本，估计平均处理效应并改善统计推断？
- 方法与思路
- 作者提出整合两类样本信息的平均处理效应估计量，同时考虑结局测量误差和验证样本选择偏差，并开展模拟及失智研究应用。
- 材料陈述的贡献
- 摘要称，所提估计量在模拟及相关应用中降低平均处理效应估计偏差、提高效率，为含误分类结局的电子病历分析提供方法。
- 阅读关注点
- 应核对误分类机制、验证样本选择机制和样本整合条件，以及处理效应识别、误差校正与不确定性估计的具体实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明混杂控制及样本选择校正所需条件，无法确认有效推断的边界。
原文摘要
Although increasingly used for research, electronic health records (EHR) often lack gold-standard assessment of key data elements. Linking EHRs to other data sources with higher-quality measurements can improve statistical inference, but such analyses must account for selection bias if the linked data source arises from a non-probability sample. We propose a set of novel estimators targeting the average treatment effect (ATE) that combine information from binary outcomes measured with error in a large, population-representative EHR database with gold-standard outcomes obtained from a smaller validation sample subject to selection bias. We evaluate our approach in extensive simulations and an analysis of data from the Adult Changes in Thought (ACT) study, a longitudinal study of incident dementia in a cohort of Kaiser Permanente Washington members with linked EHR data. For a subset of deceased ACT participants who consented to brain autopsy prior to death, gold-standard measures of Alzheimer's disease neuropathology are available. Our proposed estimators reduced bias and improved efficiency for the ATE, facilitating valid inference with EHR data when key data elements are ascertained with error.