Trọng số điểm theo tỷ lệ trong phân tích Cox PH và lựa chọn hiệp phương sai


11

Về trọng số điểm xu hướng (IPTW) khi thực hiện mô hình hóa tỷ lệ rủi ro theo tỷ lệ Cox của dữ liệu sinh tồn theo thời gian:

Tôi có dữ liệu đăng ký tiềm năng trong đó chúng tôi quan tâm đến việc xem xét hiệu quả điều trị của một loại thuốc mà trong hầu hết các trường hợp bệnh nhân đã sử dụng lúc ban đầu. Do đó, tôi không chắc làm thế nào để phân tích dữ liệu tốt nhất. Có khả năng, một số biến số cơ bản ở một mức độ đáng kể bị ảnh hưởng bởi việc điều trị và không phải là cách khác (ví dụ như một số dấu ấn sinh học nhất định). Tôi hơi lạc lõng với việc tôi nên đưa vào mô hình điểm số xu hướng để ước tính trọng số và đồng biến nào tôi nên đưa vào dưới dạng hiệp phương sai trong coxphmô hình (nếu có). Bất kỳ gợi ý theo đúng hướng sẽ hữu ích! Tôi chưa thể tìm thấy bất kỳ tài liệu nào liên quan đến điều này trong mô hình CoxPh.

Tôi nghĩ rằng các đồng biến đại diện cho các phương pháp điều trị được đặt ra lúc ban đầu có thể ảnh hưởng đến kết quả nên được đưa vào dưới dạng các đồng biến Cox PH, nhưng tôi không chắc về điều này.

Làm cách nào để xác định biến nào sẽ được đưa vào dưới dạng đồng biến trong mô hình Cox thay vì được sử dụng để tính trọng số điểm của xu hướng?


Theo dõi câu hỏi:

Tôi hiểu vấn đề di truyền của việc đánh giá hiệu quả điều trị của một can thiệp nhất định đã bắt đầu - tức là phổ biến ở các bệnh nhân, trước khi bắt đầu quan sát. Cả hai liên quan đến việc giới thiệu sai lệch liên quan đến sự thay đổi thời gian của rủi ro (ví dụ: tác dụng phụ bất lợi phổ biến hơn trong năm đầu điều trị) và các đồng biến bị ảnh hưởng bởi điều trị. Nếu tôi không nhầm - điều này đã được đề xuất là nguyên nhân của sự khác biệt giữa quan sát và ngẫu nhiên liên quan đến các điểm cuối tim mạch và liệu pháp thay thế hormone. Mặt khác, trong bộ dữ liệu của tôi, chúng tôi quan tâm đến việc xem xét tác dụng phụ có thể có của việc điều trị.

Nếu tôi sử dụng điều chỉnh điểm xu hướng để điều tra hiệu quả điều trị ở những người dùng phổ biến, tức là đã sử dụng thuốc trước khi bắt đầu quan sát, trong dữ liệu đoàn hệ và chúng tôi quan sát thấy tác dụng phụ của liệu pháp dược lý (và đây là điều chúng tôi đang tìm kiếm). Tôi có thể loại trừ khả năng đánh giá quá cao rủi ro liên quan đến việc điều trị không? Tức là rủi ro tăng cao đáng kể, đó là "chắc chắn" không bảo vệ?

Tôi hoàn toàn không thể hình dung một ví dụ trong đó loại thiên vị này có thể đưa ra sự đánh giá quá cao về rủi ro của mối liên hệ rủi ro giả trong bối cảnh này.

Câu trả lời:


9

Về lý thuyết, mọi biến bạn chọn là một phần của trọng số điểm xu hướng không cần phải được đưa vào dưới dạng đồng biến trong mô hình, vì trọng số đã được kiểm soát đối với khả năng gây nhiễu của chúng. Với một mô hình trọng số phù hợp, bạn hoàn toàn có thể hiểu theo nghĩa đen, chỉ cần mô hình hóa hiệu ứng phơi sáng.

Điều đó đang được nói, có những lý do bạn có thể muốn bao gồm các điều khoản trong mô hình:

  • Ước tính "mạnh mẽ gấp đôi". Không có lý do, tiết kiệm cho một sự mất mát về độ chính xác, rằng bạn không thể sử dụng các biến cả trong mô hình trọng số và như là hiệp phương sai. Về lý thuyết, bạn đang tự bảo vệ mình trước hai cách gây nhiễu (do đó kỹ thuật này được gọi là "mạnh mẽ gấp đôi"). Hãy nhớ rằng điều này chỉ bảo vệ bạn trước mô hình PS hoặc mô hình đồng biến bị sai chính tả bằng cách cho bạn "cơ hội thứ hai" để chỉ định mô hình chính xác, đó không phải là một sửa chữa ma thuật.
  • Nhiều ước tính quan tâm. Trọng số làm cho các ước tính hiệu ứng từ các hiệp phương sai biến mất - nếu bạn muốn hệ số hồi quy cho biến, bạn sẽ muốn đưa nó vào dưới dạng đồng biến trong bước CoxPH chứ không phải trong mô hình PS.

Hãy thử tìm kiếm "Nghi ngờ mạnh mẽ" và các thuật ngữ tương tự trong các tạp chí như Dịch tễ học hoặc Tạp chí Dịch tễ học Hoa Kỳ cũng như tài liệu thống kê sinh học và bạn nên khám phá một số nguồn hữu ích.


Cảm ơn bạn đã trả lời (nhanh chóng) và rõ ràng! Tôi đã thấy gấp đôi mạnh mẽ được đề cập, nhưng đã xem xét nhiều. Tôi chắc chắn sẽ bây giờ. Bạn có nói rằng việc sử dụng các ước tính mạnh mẽ gấp đôi được bảo đảm khi các hiệp phương sai không được điều chỉnh đầy đủ sau khi cân (ví dụ) vẫn có sự khác biệt đáng kể giữa các nhóm điều trị?
Kjetil Loland

1
@KjetilLoland Đó có thể là một lý do để sử dụng ước lượng mạnh mẽ gấp đôi - nói chung, đó là điều cần xem xét bất cứ khi nào bạn lo ngại rằng một phương pháp để kiểm soát các biến đang bị sai chính tả. Tôi cũng sẽ kiểm tra để đảm bảo rằng mô hình PS của bạn không hoạt động và sẽ cho bạn điểm số xu hướng đẹp, chồng chéo giữa hai nhóm.
Fomite

1
Do tỷ lệ nguy hiểm không sụp đổ, chỉ bao gồm các biến trong PS là không đủ. Thông thường để cho PS bao gồm "bồn rửa nhà bếp" và cho các yếu tố dự đoán quan trọng nhất được biết đến sẽ được đưa vào một lần nữa dưới dạng đồng biến. Điều này sẽ ngăn chặn việc đánh giá thấp tỷ lệ rủi ro của phơi nhiễm.
Frank Harrell

Một lần nữa, cảm ơn cả @EpiGrad và Frank vì câu trả lời của bạn. Tôi không thể chính xác nói rằng các nhóm điều trị có điểm số xu hướng đẹp, chồng chéo. Vì vậy, tôi có thể sẽ kết thúc bằng cách sử dụng điều chỉnh đồng biến mở rộng. Bên cạnh đó, tôi nhận thấy tôi đã viết IPTW, khi thực tế tôi đang sử dụng gói twang - sử dụng hồi quy tăng cường tổng quát để ước tính trọng số (nếu tôi đúng) - nhưng tôi đoán rằng điều đó không thay đổi cách tiếp cận chung nhiều
Kjetil Loland

@KjetilLoland Ít nhất bạn có thể kiểm tra trực quan xem điểm PS của bạn có trùng nhau hay không bằng cách xem xét các lô chồng chéo của phân phối của chúng theo nhóm điều trị.
Fomite

3

Điều quan trọng là phải phân biệt "bị ảnh hưởng bởi điều trị" và "liên quan đến điều trị". Loại thứ hai có thể bao gồm các yếu tố lựa chọn điều trị, chẳng hạn như các yếu tố chúng tôi đang cố gắng điều chỉnh theo xu hướng và / hoặc điều chỉnh đồng biến. "Bị ảnh hưởng bởi điều trị" ngụ ý rằng các đồng biến được đo sau thời gian 0 (ví dụ, sau khi ngẫu nhiên hoặc sau khi bắt đầu điều trị), có nghĩa là chúng nên hiếm khi được sử dụng.


Again thank you Dr. Harrell. Some of our variables are definitely "affected by treatment". The treatment we're trying to investigate was initiated prior to baseline, which of course is not ideal. Whether or not propensity score adjustment is suitable for this kind of analysis at all is maybe a better question. I'm however not aware of any other way to investigate this.
Kjetil Loland

The study design may not be suitable for what you want to do. The study will be very difficult to interpret. You might get subject matter experts to try to come up with a subset of variables that are highly likely to not change with treatment, but adjustment for confounding by implication may be incomplete.
Frank Harrell

I see. I guess this starts to look a bit like the old observational vs randomized HRT studies on CVD. Correct me if I'm wrong, but isn't all I "risk" to underestimate the risk of a possible adverse treatment effect (which is what we're looking for) - i.e. as long as we show the treatment to be adverse, those kind of confounders could only weaken the finding? I've updated the question accordingly.
Kjetil Loland

2
This is more than an observational vs. randomized issue but there is a relationship to HRT studies. You might be right that some careful reasoning might justify treating the results as providing a lower bound.
Frank Harrell
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.