substantivo
Contexto: "
Challenge no 3: Lack of completeness and representativeness of patient and
covariate data Case data only includes confirmed cases. Confirmed case counts are not enough to comprehend the true magnitude of the COVID-19 pandemic. Although the true number of undetected cases is still to be ascertained, in Europe, the ratio of the total estimated cases to the observed cases was found to around 2.3 (Böhning, Rocchetti, Maruotti, & Holling, 2020). Compiling datasets that include suspected, probable, and negative test counts could substantially improve our understanding of COVID-19 space-time dyna- mics (Desjardins, Hohl, & Delmelle, 2020). Data on deaths may be subject to the same issues, as we may be missing deaths among persons infected with SARS-CoV-2, but who were not diagnosed with COVID-19. For a better understanding of the space-time dynamics, data on population mobility and social networks are increasingly used. In the absence of universal, full-coverage data- sets (at least in Portugal and other European nations), population mobility and social Ribeiro, A. I., Jardim Santos, C. Finisterra, LV(115), 2020, pp. 37-42 40 networks are being tracked using anonymized phone location data. Yet, these datasets may be prone to data completeness and representativeness limitations too. Previous rese- arch demonstrated that mobile phone users and social media users are disproportionally distributed according to age, gender, and geography (Wesolowski, Eagle, Noor, Snow, & Buckee, 2012) . Finally, the past couple of months we assisted to an exponential increase in web- -based surveys to extract data on COVID-19 pandemic. Web-based voluntary recruit- ment introduces important selection bias, firstly by excluding people not on the internet and secondly by introducing self-selection bias. For instance, the overrepresentation of women and highly educated individuals are common problems in this type of study recruitment strategy (Rossi et al., 2020). In these cases, weighting adjustments can reduce bias due to lack of population representativeness."
Fonte: Finisterra, LV(115), 2020, pp. 37‐42 ISSN: 0430-5027 doi: 10.18055/Finis20318 Artigo THE IMPORTANCE OF SPATIAL ANALYSIS OF COVID-19 PANDEMIC FOR HEALTH GEOGRAPHY: CHALLENGES AND PERSPECTIVES Ana Isabel Ribeiro1 Cláudia Jardim Santos2
Termo equivalente: covariável
Definição: "The objectives of this study were to assess the difference between actual and nominal significance levels, as judged by the likelihood ratio test, for hypothesis tests regarding covariate effects using NONMEM, and to study what factors influence these levels. Also, a strategy for obtaining closer agreement between nominal and actual significance levels was investigated. Pharmacokinetic (PK) data without covariate relationships were simulated from a one compartment iv bolus model for 50 individuals. Models with and without covariate relationships were then fitted to the data, and differences in the objective function values were calculated. Alterations were made to the simulation settings; the structural and error models, the number of individuals, the number of samples per individual and the covariate distribution. Different estimation methods in NONMEM were also tried. In addition, a strategy for estimating the actual significance levels for a specific data set, model and parameter was investigated using covariate randomization and a real data set. Under most conditions when the first-order (FO) method was used, the actual significance level for including a covariate relationship in a model was higher than the nominal significance level. Among factors with high impact were frequency of sampling and residual error magnitude. The use of the first-order conditional estimation method with interaction (FOCE-INTER) resulted in close agreement between actual and nominal significance levels. The results from the covariate randomization procedure of the real data set were in agreement with the results from the simulation study. With the FO method the actual significance levels were higher than the nominal, independent of the covariate type, but depending on the parameter influenced. When using FOCE-INTER the actual and nominal levels were similar. The most important factors influencing the actual significance levels for the FO method are the approximation of the influence of the random effects in a nonlinear model, a heteroscedastic error structure in which an existing interaction between interindividual and residual variability is not accounted for in the model, and a lognormal distribution of the residual error which is approximated by a symmetric distribution. Estimation with FOCE–INTER and the covariate randomization procedure provide means to achieve agreement between nominal and actual significance levels."
Fonte: SpringerLink Search Log in Published: 07 October 2004 Assessment of Actual Significance Levels for Covariate Effects in NONMEM - Ulrika Wählby, E. Niclas Jonsson & Mats O. Karlsson
Definição em português: "Os objetivos deste estudo foram avaliar a diferença entre os níveis de significância reais e nominais, a julgar pelo teste da razão de verossimilhança, para testes de hipóteses sobre efeitos de covariável usando NONMEM, e estudar quais fatores influenciam esses níveis. Além disso, foi investigada uma estratégia para obter maior concordância entre os níveis de significância nominais e reais. Os dados farmacocinéticos (PK) sem relações covariáveis foram simulados a partir de um modelo de bolus iv de um compartimento para 50 indivíduos. Modelos com e sem relações de covariável foram então ajustados aos dados, e as diferenças nos valores da função objetivo foram calculadas. Alterações foram feitas nas configurações de simulação; os modelos estruturais e de erro, o número de indivíduos, o número de amostras por indivíduo e a distribuição de covariável. Diferentes métodos de estimativa em NONMEM também foram tentados. Além disso, uma estratégia para estimar os níveis de significância reais para um conjunto de dados, modelo e parâmetro específicos foi investigada usando a randomização de covariável e um conjunto de dados real. Na maioria das condições em que o método de primeira ordem (FO) foi usado, o nível de significância real para incluir uma relação de covariável em um modelo foi maior do que o nível de significância nominal. Entre os fatores de alto impacto estão a frequência de amostragem e a magnitude do erro residual. O uso do método de estimação condicional de primeira ordem com interação (FOCE-INTER) resultou em estreita concordância entre os níveis de significância reais e nominais. Os resultados do procedimento de randomização de covariável do conjunto de dados reais foram concordantes com os resultados do estudo de simulação. Com o método FO, os níveis de significância reais foram maiores que o nominal, independente do tipo de covariável, mas dependendo do parâmetro influenciado. Ao usar o FOCE-INTER, os níveis reais e nominais foram semelhantes. Os fatores mais importantes que influenciam os níveis de significância reais para o método FO são a aproximação da influência dos efeitos aleatórios em um modelo não linear, uma estrutura de erro heterocedástica em que uma interação existente entre a variabilidade interindividual e residual não é contabilizada no modelo, e uma distribuição lognormal do erro residual que é aproximada por uma distribuição simétrica. A estimativa com FOCE-INTER e o procedimento de covariável de randomização fornecem meios para alcançar um acordo entre os níveis de significância nominais e reais."
