Cox PH analizi ve ortak değişken seçiminde eğilim skoru ağırlığı


11

Olay zamanı hayatta kalma verilerinin Cox orantılı tehlike modellemesini yaparken eğilim skoru ağırlığı (IPTW) ile ilgili olarak:

Çoğu durumda hastaların zaten başlangıçta aldıkları bir ilacın tedavi etkisine bakmak istediğimiz prospektif kayıt verilerim var. Bu nedenle verilerin en iyi nasıl analiz edileceğinden emin değilim. Potansiyel olarak, bazal değişkenlerin bazıları tedaviden önemli ölçüde etkilenir , tersi yönde değildir (örneğin, belirli biyobelirteçler). Ağırlıkları tahmin etmek için hangi eş değişkenlere eğilim skoru modeline dahil etmem gerektiği ve hangi değişkenleri coxphmodele (varsa) dahil etmem gerektiği konusunda biraz kayboldum . Doğru yönde herhangi bir ipucu yardımcı olacaktır! Şu ana kadar CoxPh modellemesinde bununla ilgili herhangi bir literatür bulamadım.

Başlangıçta oluşturulan ve sonucu etkileyebilecek tedavileri temsil eden ortak değişkenlerin Cox PH ortak değişkenleri olarak dahil edilmesi gerektiğini düşünüyorum, ama bundan emin değilim.

Eğilim skoru ağırlıklarının hesaplanmasında kullanmak yerine Cox modeline hangi değişkenlerin ortak değişken olarak dahil edilmesi gerektiğini nasıl belirleyebilirim?


Takip eden soru:

Başlamış olan - yani hastalar arasında, gözlem başlamadan önce - yaygın olan belirli bir müdahalenin tedavi etkisini değerlendirme konusundaki kalıtsal sorunu anlıyorum. Her ikisi de riskin zamanla değişmesi ile ilgili önyargıların ortaya çıkması açısından (örn. Tedavinin ilk yılında daha sık görülen yan etkiler) ve değişkenlerden tedaviden etkilenmektedir. Yanılmıyorsam - bu, kardiyovasküler sonlanım noktaları ve hormon replasman tedavisi ile ilgili gözlemsel ve randomize arasında bir tutarsızlık nedeni olarak önerilmiştir. Öte yandan veri setimde, tedavinin olası olumsuz etkilerine bakmak istiyoruz.

Yaygın kullanıcılar arasındaki tedavi etkisini araştırmak için eğilim skoru ayarlamasını kullanırsam, yani kohort verilerinde ilacı zaten gözlemden önce kullanıyorum ve bir farmakolojik tedavinin olumsuz bir etkisini gözlemliyoruz (ve aradığımız şey budur). Tedaviyle ilişkili riski fazla tahmin etme olasılığını ekarte edebilir miyim? Yani risk önemli ölçüde yükseldiği sürece, en "kesinlikle" koruyucu değil midir?

Bu tür önyargının bu bağlamda yanlış risk ilişkilendirme riskinin fazla tahmin edilebileceği bir örneği hayal edemiyorum.

Yanıtlar:


9

Teorik olarak, eğilim skor ağırlığının bir parçası olarak seçtiğiniz her değişkenin modele eş değişkenler olarak dahil edilmesi gerekmez, çünkü ağırlıklandırma potansiyel karıştırıcılıklarını zaten kontrol etmiştir. Uygun bir ağırlıklandırma modeli ile, kelimenin tam anlamıyla, pozlamanın etkisini modelleyebilirsiniz.

Bununla birlikte, modele terimleri dahil etmek isteyebileceğiniz nedenler vardır:

  • "İki katına kadar sağlam" tahminler. Kesin bir kayıp için tasarruf etmenin, hem ağırlıklandırma modelinde hem de ortak değişkenler olarak değişkenleri kullanamayacağınız için hiçbir neden yoktur. Teoride, kendinizi iki şekilde karıştırmaya karşı koruyorsunuz (bu nedenle bu teknik "iki kat dayanıklı" olarak adlandırılıyor). Bunun yalnızca PS modeline veya doğru modeli belirtmek için "ikinci bir şans" vererek yanlış yazılmış olan eş değişken modele karşı sizi koruduğunu unutmayın, bu sihirli bir düzeltme değildir.
  • Çoklu ilgi tahminleri. Ağırlıklandırma, ortak değişkenlerden gelen etki tahminlerini ortadan kaldırır - değişken için bir regresyon katsayısı istiyorsanız , PS modelinde değil , CoxPH adımında bir ortak değişken olarak dahil etmek isteyeceksiniz .

Epidemiyoloji veya Amerikan Epidemiyoloji Dergisi gibi dergilerde "iki katına kadar sağlam" ve benzer terimleri ve biyoistatistik literatürünü aramayı deneyin ve bazı yararlı kaynakları ortaya çıkarmalısınız.


(Hızlı) ve açık bir cevap için teşekkürler! Bahsettiğimden iki kat daha sağlam gördüm, ama çok şey araştırdım. Kesinlikle şimdi olacak. Ağırlıklandırma sonrasında ortak değişkenler yeterli şekilde ayarlanmadığında (örn.) Tedavi grupları arasında hala önemli farklılıklar olduğunda, iki kat güçlü tahminlerin kullanılmasının garanti edildiğini söyleyebilir misiniz?
Kjetil Loland

1
@KjetilLoland Bu, iki kat güçlü tahmin kullanmanın bir nedeni olabilir - genellikle, değişkenleri kontrol etmek için bir yöntemin yanlış belirtilere maruz kaldığından endişe duyduğunuzda bakmak bir şeydir. Ayrıca, PS modelinizin harekete geçmediğinden ve iki grup arasında üst üste gelen hoşnutluk puanları verdiğinden emin olun.
Fomite

1
Tehlike oranının çökmemesinden ötürü, değişkenleri sadece PS'ye dahil etmek yeterli değildir. PS'nin "mutfak lavabosunu" içermesine izin vermek ve bilinen en önemli öngörücülerin tekrar ortak değişkenler olarak dahil edilmesi yaygındır. Bu, maruziyetin tehlike oranının hafife alınmasını önleyecektir.
Frank Harrell

Cevaplarınız için hem @EpiGrad hem de Frank'e tekrar teşekkür ederiz. Tedavi gruplarının birbiriyle örtüşen hoş eğilim puanları olduğunu tam olarak söyleyemem. Bu yüzden muhtemelen kapsamlı bir değişken ayarı kullanacağım. Bir yan notta, aslında twang paketini kullandığımda IPTW yazdığımı fark ettim - ki bu, ağırlıkları tahmin etmek için genelleştirilmiş artırılmış regresyonu kullanıyor (eğer haklıysam) - ama sanırım genel yaklaşımı değiştirmiyor çok.
Kjetil Loland

@KjetilLoland En az PS skorlarınızın örtüşüp örtüşmediğini görsel olarak inceleyerek, dağılım gruplarının çakışan parsellerine tedavi grubuna bakarak bakabilirsiniz.
13

3

"Tedaviden etkilenen" ve "tedaviyle ilgili" arasında ayrım yapmak önemlidir. İkincisi, eğilim ve / veya eşdeğeri ayarlama ile ayarlamaya çalıştığımız gibi tedavi seçim faktörlerini içerebilir. "Tedaviden etkilenen", ortak değişkenlerin sıfırdan sonra (örn., Randomizasyondan sonra veya tedavi başladıktan sonra) ölçüldüğünü, yani nadiren kullanılmaları gerektiği anlamına gelir.


Tekrar teşekkür ederim Dr. Harrell. Değişkenlerimizden bazıları kesinlikle "tedaviden etkilenir". Araştırmaya çalıştığımız tedavi, elbette ideal olmayan taban çizgisinden önce başlatıldı. Eğilim skoru ayarlamasının bu tür analizler için uygun olup olmadığı belki de daha iyi bir soru olabilir. Ancak bunu araştırmanın başka bir yolunun farkında değilim.
Kjetil Loland

Çalışma tasarımı yapmak istediklerinize uygun olmayabilir. Çalışmanın yorumlanması çok zor olacaktır. Konu uzmanlarının tedaviyle değişme olasılığı yüksek olan değişkenlerin bir alt kümesini bulmaya çalışmasını sağlayabilirsiniz, ancak ima yoluyla karıştırmak için ayarlama eksik olabilir.
Frank Harrell

Anlıyorum. Sanırım bu, CVD ile ilgili eski gözlemsel ve randomize HRT çalışmalarına benzemeye başlıyor. Eğer yanılıyorsam beni düzeltin, ancak tüm olası tedavi etkisinin (aradığımız şey) riskini hafife almak için "risk" değilim - yani tedaviyi olumsuz olarak gösterdiğimiz sürece, bu tür çelişkiler sadece bulguyu zayıflatabilir mi? Soruyu buna göre güncelledim.
Kjetil Loland

2
Bu gözlemsel ve rasgele bir meseleden daha fazlasıdır, ancak HRT çalışmalarıyla bir ilişkisi vardır. Dikkatli bir akıl yürütmenin, sonuçların daha düşük bir sınır sağlamak olarak değerlendirilmesini haklı kılabileceği konusunda haklı olabilirsiniz.
Frank Harrell
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.