น้ำหนักคะแนนความชอบในการวิเคราะห์ค่า Cox และการเลือกค่าความแปรปรวนร่วม


11

เกี่ยวกับการให้คะแนนความชอบ (IPTW) เมื่อทำแบบจำลองความเป็นอันตรายตามสัดส่วนของ Cox ของข้อมูลการรอดชีวิตแบบเวลาต่อเหตุการณ์:

ฉันมีข้อมูลรีจิสทรีในอนาคตที่เราสนใจที่จะดูผลการรักษาของยาซึ่งโดยส่วนใหญ่แล้วผู้ป่วยจะได้รับข้อมูลพื้นฐาน ฉันไม่แน่ใจว่าจะวิเคราะห์ข้อมูลได้ดีที่สุดอย่างไร อาจเป็นไปได้ว่าตัวแปรพื้นฐานบางตัวมีระดับที่ได้รับอิทธิพลจากการรักษาและไม่ใช่วิธีอื่น ๆ (เช่นผู้ให้บริการชีวภาพบางราย) ฉันหลงทางนิดหน่อยว่า covariates ใดที่ฉันควรรวมไว้ในแบบจำลองคะแนนความชอบสำหรับการประเมินน้ำหนักและสิ่งที่ฉันควรจะรวมเป็น covariates ในcoxphรูปแบบ (ถ้ามี) คำแนะนำในทิศทางที่ถูกต้องจะเป็นประโยชน์! ฉันยังไม่สามารถค้นหาวรรณกรรมเกี่ยวกับเรื่องนี้ในการสร้างแบบจำลองของ CoxPh ได้ในตอนนี้

ฉันคิดว่าโควาเรียที่เป็นตัวแทนของการรักษาที่มีพื้นฐานที่ว่า (อาจ) มีอิทธิพลต่อผลลัพธ์ควรรวมอยู่ใน Cox PH covariates แต่ฉันไม่แน่ใจในเรื่องนี้

ฉันจะทราบได้อย่างไรว่าควรรวมตัวแปรตัวใดเป็นโควาเรียต์ในโมเดล Cox แทนที่จะใช้ในการคำนวณน้ำหนักคะแนนความชอบ?


คำถามติดตาม

ฉันเข้าใจปัญหาที่สืบทอดมาของการประเมินผลการรักษาของการแทรกแซงบางอย่างที่ได้เริ่มขึ้นแล้ว - นั่นคือแพร่หลายในหมู่ผู้ป่วยก่อนที่จะเริ่มการสังเกต ทั้งในเรื่องที่เกี่ยวกับการแนะนำอคติที่เกี่ยวข้องกับการเปลี่ยนแปลงเวลาของความเสี่ยง (เช่นผลข้างเคียงที่พบบ่อยในปีแรกของการบำบัด) และเพื่อนร่วมทุนที่ได้รับผลกระทบจากการรักษา หากฉันไม่เข้าใจผิดนี่เป็นข้อเสนอที่เป็นสาเหตุของความคลาดเคลื่อนระหว่างการสังเกตและการสุ่มว่าเกี่ยวกับหัวใจและหลอดเลือดและการบำบัดทดแทนฮอร์โมน ในชุดข้อมูลของฉันในอีกทางหนึ่งเราสนใจที่จะดูผลกระทบที่อาจเกิดขึ้นจากการรักษา

ถ้าฉันใช้การปรับคะแนนความชอบเพื่อตรวจสอบผลการรักษาในหมู่ผู้ใช้ที่แพร่หลายเช่นการใช้ยาก่อนการสังเกตในข้อมูลกลุ่มและเราสังเกตเห็นผลข้างเคียงของการรักษาด้วยยา (และนี่คือสิ่งที่เรากำลังมองหา) ฉันสามารถแยกแยะความเป็นไปได้ที่จะประเมินความเสี่ยงที่เกี่ยวข้องกับการรักษามากเกินไปได้หรือไม่? คือตราบใดที่ความเสี่ยงนั้นเพิ่มขึ้นอย่างมีนัยสำคัญมันเป็น "แน่นอน" ที่สุดที่ไม่ได้ป้องกัน?

ฉันไม่สามารถจินตนาการถึงตัวอย่างที่ความลำเอียงชนิดนี้สามารถแนะนำการประเมินค่าความเสี่ยงสูงเกินไปของการเชื่อมโยงความเสี่ยงที่ผิดพลาดในบริบทนี้

คำตอบ:


9

ในทางทฤษฎีตัวแปรทุกตัวที่คุณเลือกซึ่งเป็นส่วนหนึ่งของน้ำหนักคะแนนความชอบไม่จำเป็นต้องรวมเป็นโควาเรียตในแบบจำลองเนื่องจากการควบคุมน้ำหนักได้ควบคุมความสับสนที่อาจเกิดขึ้นแล้ว ด้วยแบบจำลองน้ำหนักที่เหมาะสมคุณสามารถทำได้อย่างแท้จริงเพียงแค่สร้างเอฟเฟกต์ของการเปิดรับแสง

ที่ถูกกล่าวมีเหตุผลที่คุณอาจต้องการรวมคำในรูปแบบ:

  • ประมาณการ "แข็งแกร่งเป็นสองเท่า" ไม่มีเหตุผลบันทึกสำหรับการสูญเสียความแม่นยำที่คุณไม่สามารถใช้ตัวแปรทั้งในรูปแบบการชั่งน้ำหนักและเป็น covariates ในทางทฤษฎีคุณกำลังป้องกันตัวเองจากการรบกวนสองวิธี (ด้วยเหตุนี้เทคนิคนี้จึงถูกเรียกว่า "ทวีคูณแข็งแกร่ง") โปรดจำไว้ว่าสิ่งนี้จะช่วยปกป้องคุณจากทั้งรุ่น PS หรือรุ่น covariate ที่มีการสะกดผิดโดยให้โอกาส "ครั้งที่สอง" แก่คุณเพื่อระบุรุ่นที่ถูกต้องไม่ใช่การแก้ไขที่วิเศษทั้งหมด
  • การประมาณความสนใจที่หลากหลาย การทำให้น้ำหนักทำให้การประมาณค่าเอฟเฟกต์จาก covariates หายไป - หากคุณต้องการสัมประสิทธิ์การถดถอยสำหรับตัวแปรคุณจะต้องรวมมันเป็น covariate ในขั้นตอน CoxPH ไม่ใช่ในโมเดล PS

ลองค้นหาคำว่า "ทนทานเป็นทวีคูณ" และคำที่คล้ายกันในวารสารเช่นระบาดวิทยาหรือวารสารอเมริกันของระบาดวิทยาเช่นเดียวกับวรรณคดีชีวสถิติและคุณควรเปิดเผยแหล่งที่มีประโยชน์บางอย่าง


ขอบคุณสำหรับคำตอบ (ด่วน) และชัดเจน! ฉันเห็นว่าแข็งแกร่งขึ้นเป็นสองเท่าเมื่อพูดถึง แต่ก็ดูมากไป ฉันจะทำตอนนี้อย่างแน่นอน คุณจะบอกหรือไม่ว่าการใช้การประมาณการที่มีประสิทธิภาพเป็นสองเท่ารับประกันเมื่อไม่มีการปรับค่าโควาเรียตให้เพียงพอหลังจากการให้น้ำหนัก (เช่น) ยังคงมีความแตกต่างอย่างมีนัยสำคัญระหว่างกลุ่มการรักษา?
Kjetil Loland

1
@ KjetilLoland นั่นอาจเป็นเหตุผลที่จะใช้การประเมินที่มีประสิทธิภาพเป็นทวีคูณโดยทั่วไปมันเป็นสิ่งที่ต้องพิจารณาเมื่อใดก็ตามที่คุณกังวลว่าวิธีการหนึ่งในการควบคุมตัวแปรกำลังประสบปัญหาการสะกดผิด ฉันต้องตรวจสอบเพื่อให้แน่ใจว่าแบบจำลอง PS ของคุณไม่ทำงานและให้คะแนนความชอบที่ซ้อนทับกันระหว่างสองกลุ่ม
Fomite

1
เนื่องจากการไม่ยุบตัวของอัตราส่วนความเป็นอันตรายจึงไม่เพียงพอที่จะรวมตัวแปรใน PS มันเป็นเรื่องธรรมดาที่จะให้ PS รวม "sink ครัว" และสำหรับตัวทำนายที่สำคัญที่สุดที่รู้จักกันจะรวมอีกครั้งเป็น covariates สิ่งนี้จะช่วยป้องกันการประเมินอัตราส่วนความเป็นอันตรายของการได้รับแสงต่ำไป
Frank Harrell

ขอขอบคุณอีกครั้งทั้ง @EpiGrad และ Frank สำหรับคำตอบของคุณ ฉันไม่สามารถพูดได้อย่างแน่นอนว่ากลุ่มการรักษามีคะแนนความชอบที่ซ้อนทับกัน ดังนั้นฉันอาจจะลงเอยด้วยการปรับ covariate ในบันทึกด้านข้างฉันสังเกตเห็นว่าฉันเขียน IPTW เมื่อฉันจริง ๆ แล้วใช้แพ็คเกจ twang - ซึ่งใช้การถดถอยแบบทั่วไปที่ได้รับการปรับปรุงเพื่อประเมินน้ำหนัก (ถ้าฉันพูดถูก) - แต่ฉันเดาว่าจะไม่เปลี่ยนวิธีการทั่วไป มาก.
Kjetil Loland

@ KjetilLoland อย่างน้อยคุณสามารถตรวจสอบด้วยสายตาว่าคะแนน PS ของคุณซ้อนทับกันหรือไม่โดยดูจากการกระจายของกลุ่มการรักษาโดยกลุ่มการรักษา
Fomite

3

สิ่งสำคัญคือต้องแยกแยะ "ผลกระทบจากการรักษา" และ "เกี่ยวข้องกับการรักษา" หลังสามารถรวมปัจจัยการเลือกการรักษาเช่นคนที่เรากำลังพยายามที่จะปรับให้เข้ากับแนวโน้มและ / หรือการปรับ covariate "ได้รับผลกระทบจากการรักษา" หมายความว่า covariates วัดหลังจากเวลาศูนย์ (เช่นหลังจากการสุ่มหรือหลังการรักษาเริ่ม) ซึ่งหมายความว่าพวกเขาควรจะไม่ค่อยได้ใช้


ขอขอบคุณดร. Harrell อีกครั้ง ตัวแปรบางอย่างของเรา "ได้รับผลกระทบจากการรักษา" อย่างแน่นอน การรักษาที่เราพยายามตรวจสอบนั้นเริ่มต้นก่อนที่พื้นฐานซึ่งแน่นอนว่าไม่เหมาะ การปรับคะแนนความชอบหรือไม่เหมาะสำหรับการวิเคราะห์ทุกประเภทนี้อาจเป็นคำถามที่ดีกว่า อย่างไรก็ตามฉันไม่ทราบวิธีอื่นในการตรวจสอบเรื่องนี้
Kjetil Loland

การออกแบบการศึกษาอาจไม่เหมาะกับสิ่งที่คุณต้องการทำ การศึกษาจะตีความยากมาก คุณอาจได้รับผู้เชี่ยวชาญในประเด็นที่จะพยายามสร้างชุดย่อยของตัวแปรที่มีแนวโน้มสูงที่จะไม่เปลี่ยนแปลงกับการรักษา แต่การปรับเปลี่ยนสำหรับการทำให้สับสนโดยนัยอาจไม่สมบูรณ์
Frank Harrell

ฉันเห็น. ฉันเดาว่าสิ่งนี้จะเริ่มดูเหมือนการศึกษา HRT แบบสุ่มกับการสังเกตแบบเก่ากับ CVD แก้ไขฉันถ้าฉันผิด แต่ไม่ใช่ทั้งหมดที่ฉัน "เสี่ยง" เพื่อประเมินความเสี่ยงของผลการรักษาที่ไม่พึงประสงค์ที่อาจเกิดขึ้น (ซึ่งเป็นสิ่งที่เรากำลังมองหา) - เช่นตราบใดที่เราแสดงให้เห็นว่าการรักษาจะไม่พึงประสงค์ คนหลอกลวงประเภทนั้นอาจทำให้การค้นพบอ่อนแอลงเท่านั้น? ฉันได้อัปเดตคำถามตาม
Kjetil Loland

2
นี่เป็นมากกว่าปัญหาแบบสังเกตการณ์และสุ่ม แต่มีความสัมพันธ์กับการศึกษา HRT คุณอาจถูกต้องที่การใช้เหตุผลอย่างระมัดระวังบางอย่างอาจแสดงให้เห็นถึงการรักษาผลลัพธ์ที่มีขอบเขตที่ต่ำกว่า
Frank Harrell
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.