Bobot skor kecenderungan dalam analisis Cox PH dan pemilihan kovariat

11

Mengenai pembobotan skor kecenderungan (IPTW) saat melakukan pemodelan bahaya proporsional Cox dari data survival waktu-ke-peristiwa:

Saya memiliki data registri prospektif di mana kami tertarik untuk melihat efek pengobatan dari obat yang dalam kebanyakan kasus pasien sudah memakai pada awal. Karena itu saya tidak yakin bagaimana cara terbaik menganalisis data. Secara potensial, beberapa variabel dasar sebagian besar dipengaruhi oleh perlakuan dan bukan sebaliknya (misalnya biomarker tertentu). Saya agak bingung kovariat mana yang harus saya sertakan dalam model skor kecenderungan untuk memperkirakan bobot dan kovariat mana yang harus saya masukkan sebagai kovariat dalam coxphmodel (jika ada sama sekali). Petunjuk apa pun di arah yang benar akan sangat membantu! Saya belum dapat menemukan literatur mengenai hal ini dalam pemodelan CoxPh sampai sekarang.

Saya berpikir bahwa kovariat yang mewakili perawatan yang dilembagakan pada awal yang (mungkin) mempengaruhi hasil harus dimasukkan sebagai kovariat Cox PH, tetapi saya tidak yakin akan hal ini.

Bagaimana cara menentukan variabel mana yang harus dimasukkan sebagai kovariat dalam model Cox alih-alih digunakan dalam menghitung bobot skor kecenderungan?


Pertanyaan lanjutan:

Saya memahami masalah bawaan dalam mengevaluasi efek perawatan dari intervensi tertentu yang telah dimulai - yaitu lazim di antara pasien, sebelum memulai pengamatan. Baik dalam hal memperkenalkan bias terkait dengan variasi waktu risiko (misalnya efek samping yang lebih umum pada tahun pertama terapi) dan kovariat yang dipengaruhi oleh pengobatan. Jika saya tidak salah - ini telah diusulkan sebagai penyebab perbedaan antara pengamatan dan acak yang berkaitan dengan titik akhir kardiovaskular dan terapi penggantian hormon. Di dataset saya di sisi lain, kami tertarik untuk melihat kemungkinan efek samping dari perawatan.

Jika saya menggunakan penyesuaian skor kecenderungan untuk menyelidiki efek pengobatan di antara pengguna umum, yaitu sudah menggunakan obat sebelum pengamatan dimulai, dalam data kohort dan kami mengamati efek samping dari terapi farmakologis (dan inilah yang kami cari). Bisakah saya mengesampingkan kemungkinan melebih-lebihkan risiko yang terkait dengan perawatan? Yaitu selama risikonya meningkat secara signifikan, itu paling "pasti" tidak protektif?

Saya tidak bisa membayangkan contoh di mana bias semacam ini dapat menimbulkan perkiraan risiko asosiasi risiko palsu yang berlebihan dalam konteks ini.

Kjetil Loland
sumber

Jawaban:

9

Secara teori, setiap variabel yang Anda pilih sebagai bagian dari bobot skor kecenderungan tidak perlu dimasukkan sebagai kovariat dalam model, karena bobot sudah dikontrol untuk potensi pengganggu mereka. Dengan model pembobotan yang tepat, Anda bisa, secara harfiah, hanya memodelkan efek pemaparan.

Yang sedang berkata, ada alasan Anda mungkin ingin memasukkan istilah dalam model:

  • Perkiraan "Sangat kuat". Tidak ada alasan, kecuali untuk kehilangan presisi, bahwa Anda tidak dapat menggunakan variabel baik dalam model pembobotan maupun sebagai kovariat. Secara teori, Anda melindungi diri sendiri dari dua cara yang membingungkan (karenanya teknik ini disebut sebagai "sangat kuat"). Perlu diingat bahwa ini hanya melindungi Anda dari model PS atau model kovariat yang tidak ditentukan dengan memberi Anda "kesempatan kedua" untuk menentukan model yang benar, itu bukan perbaikan ajaib.
  • Beberapa perkiraan bunga. Bobot membuat perkiraan efek dari kovariat menghilang - jika Anda ingin koefisien regresi untuk variabel, Anda akan ingin memasukkannya sebagai kovariat dalam langkah CoxPH dan bukan dalam model PS.

Coba cari "Sangat kuat" dan istilah serupa dalam jurnal seperti Epidemiologi atau The American Journal of Epidemiology serta literatur biostatistik dan Anda harus mengungkap beberapa sumber yang berguna.

Fomite
sumber
Terima kasih atas jawaban (cepat) dan jelas! Saya telah melihat dua kali kuat disebutkan, tetapi memang terlihat banyak ke. Saya pasti akan sekarang. Apakah Anda mengatakan bahwa menggunakan estimasi kuat ganda diperlukan ketika kovariat tidak cukup disesuaikan setelah pembobotan (misalnya) masih ada perbedaan yang signifikan antara kelompok perlakuan?
Kjetil Loland
1
@KjetilLoland Itu mungkin menjadi alasan untuk menggunakan estimasi kuat dua kali lipat - umumnya, itu sesuatu untuk dilihat setiap kali Anda khawatir bahwa salah satu metode untuk mengendalikan variabel menderita kesalahan spesifikasi. Saya juga akan memeriksa untuk memastikan model PS Anda tidak bertingkah dan memberi Anda nilai kecenderungan yang baik dan tumpang tindih antara kedua kelompok.
Fomite
1
Karena rasio bahaya yang tidak dapat dilipat, tidak cukup hanya dengan memasukkan variabel dalam PS. Adalah umum untuk membiarkan PS memasukkan "kitchen sink" dan bagi para prediktor paling penting yang dikenal untuk dimasukkan lagi sebagai kovariat. Ini akan mencegah terlalu rendahnya rasio bahaya paparan.
Frank Harrell
Sekali lagi, terima kasih @EpiGrad dan Frank atas jawaban Anda. Saya tidak bisa mengatakan dengan tepat bahwa kelompok perlakuan memiliki skor kecenderungan yang bagus dan tumpang tindih. Jadi saya mungkin akan berakhir menggunakan penyesuaian kovariat yang luas. Di samping catatan, saya perhatikan saya menulis IPTW, ketika saya sebenarnya menggunakan paket dentingan - yang menggunakan regresi umum untuk memperkirakan bobot (jika saya benar) - tapi saya kira itu tidak mengubah pendekatan umum banyak.
Kjetil Loland
@KjetilLoland Anda setidaknya dapat secara visual memeriksa apakah skor PS Anda tumpang tindih dengan melihat tumpang tindih plot distribusi mereka oleh kelompok perlakuan.
Fomite
3

Penting untuk membedakan "dipengaruhi oleh pengobatan" dan "terkait dengan pengobatan". Yang terakhir dapat mencakup faktor-faktor pemilihan pengobatan seperti yang sedang kami coba sesuaikan dengan kecenderungan dan / atau penyesuaian kovariat. "Terpengaruh oleh pengobatan" menyiratkan bahwa kovariat diukur setelah nol waktu (misalnya, setelah pengacakan atau setelah mulai pengobatan), yang berarti mereka harus jarang digunakan.

Frank Harrell
sumber
Sekali lagi terima kasih Dr. Harrell. Beberapa variabel kami pasti "dipengaruhi oleh pengobatan". Perawatan yang kami coba selidiki dimulai sebelum baseline, yang tentu saja tidak ideal. Apakah penyesuaian skor kecenderungan cocok atau tidak untuk analisis semacam ini, mungkin merupakan pertanyaan yang lebih baik. Namun saya tidak mengetahui cara lain untuk menyelidiki ini.
Kjetil Loland
Desain studi mungkin tidak cocok untuk apa yang ingin Anda lakukan. Penelitian akan sangat sulit untuk ditafsirkan. Anda mungkin meminta ahli materi pelajaran untuk mencoba membuat subset variabel yang sangat mungkin tidak berubah dengan pengobatan, tetapi penyesuaian untuk perancu dengan implikasi mungkin tidak lengkap.
Frank Harrell
Saya melihat. Saya kira ini mulai terlihat seperti studi HRT observasional vs acak pada CVD. Koreksi saya jika saya salah, tetapi tidak semua "risiko" untuk meremehkan risiko kemungkinan efek samping yang merugikan (yang kami cari) - yaitu selama kami menunjukkan bahwa pengobatan itu merugikan, perancu semacam itu hanya bisa melemahkan temuan? Saya telah memperbarui pertanyaannya.
Kjetil Loland
2
Ini lebih dari masalah observasional vs acak tetapi ada hubungan dengan studi HRT. Anda mungkin benar bahwa beberapa alasan yang hati-hati mungkin membenarkan memperlakukan hasil sebagai memberikan batas bawah.
Frank Harrell