Ważenie wyniku skłonności w analizie PH Coxa i selekcji współzmiennej

W odniesieniu do ważenia wyniku skłonności (IPTW) podczas modelowania proporcjonalnego hazardu Coxa danych dotyczących przeżycia czasu do zdarzenia:

Mam potencjalne dane rejestru, w których jesteśmy zainteresowani spojrzeniem na efekt leczenia lekiem, który w większości przypadków pacjenci przyjmowali już na początku. Dlatego nie jestem pewien, jak najlepiej analizować dane. Potencjalnie pewne zmienne wyjściowe są w znacznym stopniu wpłynęły w leczeniu, a nie na całym sposób (na przykład niektóre biomarkers). Trochę się zagubiłem, które zmienne towarzyszące powinienem uwzględnić w modelu oceny skłonności do szacowania wag, a które zmienne powinienem uwzględnić jako zmienne towarzyszące w coxphmodelu (jeśli w ogóle). Wszelkie wskazówki we właściwym kierunku byłyby pomocne! Do tej pory nie znalazłem żadnej literatury na ten temat w modelowaniu CoxPh.

Myślę, że zmienne towarzyszące reprezentujące terapie wprowadzone na początku, które mogą (mogą) wpływać na wynik, powinny być uwzględnione jako zmienne towarzyszące Cox PH, ale nie jestem tego pewien.

Jak określić, które zmienne powinny być uwzględnione jako zmienne towarzyszące w modelu Coxa zamiast być używane do obliczania wag wyniku skłonności?

Dalsze pytanie:

Rozumiem odziedziczony problem oceny efektu terapeutycznego pewnej interwencji, która już się rozpoczęła - tj. Jest powszechna wśród pacjentów przed rozpoczęciem obserwacji. Zarówno w odniesieniu do wprowadzenia uprzedzeń związanych ze zmiennością ryzyka w czasie (np. Niepożądane skutki uboczne częściej w pierwszym roku terapii), jak i zmiennych towarzyszących, na które wpływa leczenie. Jeśli się nie mylę - zaproponowano to jako przyczynę rozbieżności między obserwacją a randomizacją w odniesieniu do punktów końcowych sercowo-naczyniowych i hormonalnej terapii zastępczej. Z drugiej strony, w moim zestawie danych, jesteśmy zainteresowani zbadaniem możliwego niekorzystnego wpływu leczenia.

Jeśli zastosuję korektę oceny skłonności, aby zbadać efekt leczenia wśród powszechnych użytkowników, tj. Już używam leku przed rozpoczęciem obserwacji, w danych z kohorty i obserwujemy niekorzystny wpływ terapii farmakologicznej (i tego właśnie szukaliśmy). Czy mogę wykluczyć możliwość przeszacowania ryzyka związanego z leczeniem? Tj. Dopóki ryzyko jest znacznie podwyższone, to „zdecydowanie” nie ma charakteru ochronnego?

Nie mogę sobie wyobrazić przykładu, w którym tego rodzaju stronniczość może wprowadzić w tym kontekście przeszacowanie ryzyka powiązania ryzyka falsji.

r survival cox-model propensity-scores

— Kjetil Loland
źródło

Odpowiedzi:

Teoretycznie każda zmienna wybrana jako część wagi wyniku skłonności nie musi być uwzględniana jako zmienne towarzyszące w modelu, ponieważ ważenie już kontrolowało ich potencjalne zakłócenie. Przy odpowiednim modelu ważenia możesz dosłownie modelować efekt ekspozycji.

Biorąc to pod uwagę, istnieją powody, dla których warto uwzględnić warunki w modelu:

„Podwójnie solidne” szacunki. Nie ma powodu, z wyjątkiem utraty precyzji, że nie można używać zmiennych zarówno w modelu wagowym, jak i zmiennych towarzyszących. Teoretycznie chronisz się przed myleniem na dwa sposoby (stąd ta technika nazywana jest „podwójnie niezawodną”). Pamiętaj, że to tylko chroni cię przed błędnym sprecyzowaniem modelu PS lub modelu towarzyszącego, dając ci „drugą szansę” na określenie właściwego modelu, to nie jest magiczna poprawka.
Wiele oszacowań zainteresowania. Ważenie sprawia, że szacunki efektu z zmiennych towarzyszących znikają - jeśli chcesz współczynnika regresji dla zmiennej, będziesz chciał uwzględnić ją jako zmienną towarzyszącą w kroku CoxPH, a nie w modelu PS.

Spróbuj wyszukać „Double solidly” i podobne terminy w czasopismach takich jak Epidemiology lub The American Journal of Epidemiology, a także w literaturze biostatystycznej, a powinieneś odkryć przydatne źródła.

— Fomite
źródło

Dziękuję za (szybką) i jasną odpowiedź! Widziałem, jak wspominano o podwójnej sile, ale bardzo się nad tym zastanawiałem. Zdecydowanie teraz. Czy powiedziałbyś, że stosowanie podwójnie wiarygodnych danych szacunkowych jest uzasadnione, gdy zmienne towarzyszące nie są odpowiednio skorygowane po ważeniu (np.) Wciąż istotnych różnic między grupami leczenia?

— Kjetil Loland

@KjetilLoland Może to być powód do zastosowania podwójnie solidnej oceny - ogólnie rzecz biorąc, warto przyjrzeć się, gdy obawiasz się, że jedna metoda kontroli zmiennych cierpi na błędną specyfikację. Sprawdziłbym również, czy twój model PS nie działa i daje dobre, nakładające się oceny skłonności między dwiema grupami.

— Fomite

Ze względu na brak podatności współczynnika ryzyka nie wystarczy tylko włączyć zmienne do PS. Powszechne jest, aby PS zawierało „zlew kuchenny” i aby znane najważniejsze predyktory były ponownie uwzględniane jako zmienne towarzyszące. Zapobiegnie to niedoszacowaniu współczynnika ryzyka narażenia.

— Frank Harrell,

Jeszcze raz dziękuję zarówno @EpiGrad, jak i Frankowi za odpowiedzi. Nie mogę dokładnie powiedzieć, że grupy leczenia mają ładne, pokrywające się oceny skłonności. Prawdopodobnie skończyłbym więc na szeroko zakrojonym dopasowaniu współzmiennym. Na marginesie zauważyłem, że napisałem IPTW, kiedy w rzeczywistości korzystam z pakietu twang - który wykorzystuje uogólnioną regresję podwyższoną do oszacowania wag (jeśli mam rację) - ale myślę, że to nie zmienia ogólnego podejścia wiele.

— Kjetil Loland

@KjetilLoland Możesz przynajmniej wizualnie sprawdzić, czy wyniki PS pokrywają się, patrząc na nakładające się wykresy ich rozkładu według grup leczenia.

— Fomite,

Ważne jest, aby odróżnić „dotknięty leczeniem” i „związany z leczeniem”. Te ostatnie mogą obejmować czynniki wyboru leczenia, takie jak te, które próbujemy dostosować za pomocą skłonności i / lub dostosowania zmiennej. „Wpływ na leczenie” oznacza, że zmienne towarzyszące są mierzone po czasie zero (np. Po randomizacji lub po rozpoczęciu leczenia), co oznacza, że powinny być rzadko stosowane.

— Frank Harrell
źródło

Jeszcze raz dziękuję dr Harrell. Niektóre z naszych zmiennych są zdecydowanie „pod wpływem leczenia”. Leczenie, które próbujemy zbadać, rozpoczęto przed rozpoczęciem leczenia, co oczywiście nie jest idealne. To, czy dostosowanie oceny skłonności jest w ogóle odpowiednie dla tego rodzaju analizy, może być lepszym pytaniem. Nie znam jednak żadnego innego sposobu na zbadanie tego.

— Kjetil Loland,

Projekt badania może nie być odpowiedni do tego, co chcesz zrobić. Badanie będzie bardzo trudne do interpretacji. Może się zdarzyć, że eksperci z danej dziedziny spróbują wymyślić podzbiór zmiennych, które najprawdopodobniej nie zmienią się wraz z leczeniem, ale korekta z powodu mylących implikacji może być niepełna.

— Frank Harrell,

Widzę. Wydaje mi się, że zaczyna to wyglądać trochę jak stare obserwacyjne vs randomizowane badania HRT dotyczące CVD. Popraw mnie, jeśli się mylę, ale nie „ryzykuję”, że nie docenię ryzyka możliwego niepożądanego efektu leczenia (tego właśnie szukamy) - tzn. Dopóki wykażemy, że leczenie jest niekorzystne, tego rodzaju pomieszania mogą jedynie osłabić odkrycie? Odpowiednio zaktualizowałem pytanie.

— Kjetil Loland

Jest to coś więcej niż kwestia obserwacyjna vs. losowa, ale istnieje związek z badaniami HTZ. Być może masz rację, że pewne staranne rozumowanie może uzasadniać traktowanie wyników jako zapewniających dolną granicę.

— Frank Harrell,