Principal Otro Análisis del puntaje de propensión

Análisis del puntaje de propensión

Descripción general

Software

Descripción

Sitios web

Lecturas

Cursos

Descripción general

El PS es una probabilidad. De hecho, es una probabilidad condicional de estar expuesto dado un conjunto de covariables, Pr (E + | covariables). Podemos calcular un PS para cada sujeto en un estudio observacional independientemente de su exposición real.

Una vez que tenemos un PS para cada tema, regresamos al mundo real de lo expuesto y lo no expuesto. Podemos emparejar sujetos expuestos con sujetos no expuestos con el mismo (o muy similar) PS. Por tanto, la probabilidad de estar expuesto es la misma que la probabilidad de no estar expuesto. La exposición es aleatoria.

Descripción

El análisis de puntuación de propensión (PSA) surgió como una forma de lograr la intercambiabilidad entre grupos expuestos y no expuestos en estudios observacionales sin depender de la construcción de modelos tradicionales. La intercambiabilidad es fundamental para nuestra inferencia causal.

En estudios experimentales (por ejemplo, ensayos controlados aleatorios), la probabilidad de estar expuesto es de 0,5. Por tanto, la probabilidad de no estar expuesto también es de 0,5. La probabilidad de estar expuesto o no expuesto es la misma. Por lo tanto, el estado de exposición real de un sujeto es aleatorio.

Esta probabilidad igual de exposición nos hace sentir más cómodos al afirmar que los grupos expuestos y no expuestos son iguales en todos los factores excepto en su exposición. Por tanto, decimos que tenemos intercambiabilidad entre grupos.

Uno de los mayores desafíos de los estudios observacionales es que la probabilidad de estar en el grupo expuesto o no expuesto no es aleatoria.

Hay varias ocasiones en las que un estudio experimental no es viable ni ético. Pero aún nos gustaría que la intercambiabilidad de grupos se lograra mediante la aleatorización. El PSA nos ayuda a imitar un estudio experimental utilizando datos de un estudio observacional.

Realización de PSA

5 pasos brevemente descritos para PSA
1. Decida el conjunto de covariables que desea incluir.
2. Utilice la regresión logística para obtener un PS para cada sujeto.
3. Empareje los sujetos expuestos y no expuestos en el PS.
4. Verifique el equilibrio de las covariables en los grupos expuestos y no expuestos después de emparejar en PS.
5. Calcule la estimación del efecto y los errores estándar con esta población coincidente.

1. Decida el conjunto de covariables que desea incluir.
Este es el paso crítico para su PSA. Usamos estas covariables para predecir nuestra probabilidad de exposición. Queremos incluir todos los predictores de la exposición y ninguno de los efectos de la exposición. No consideramos el resultado al decidir sobre nuestras covariables. Podemos incluir factores de confusión y variables de interacción. Si tenemos dudas sobre la covariable, la incluimos en nuestro conjunto de covariables (a menos que pensemos que es un efecto de la exposición).

2. Utilice la regresión logística para obtener un PS para cada sujeto.
Usamos las covariables para predecir la probabilidad de estar expuesto (que es el PS). Cuantas más covariables verdaderas usemos, mejor será nuestra predicción de la probabilidad de estar expuesto. Calculamos un PS para todos los sujetos, expuestos y no expuestos.

Usando números y letras griegas:
ln (PS / (1-PS)) = β0 + β1X1 +… + βpXp
PS = (exp (β0 + β1X1 +… + βpXp)) / (1 + exp (β0 + β1X1 +… + βpXp))

3. Empareje los sujetos expuestos y no expuestos en el PS.
Queremos hacer coincidir los sujetos expuestos y no expuestos en su probabilidad de estar expuestos (su PS). Si no podemos encontrar una coincidencia adecuada, ese tema se descarta. Descartar un tema puede introducir sesgos en nuestro análisis.

Existen varios métodos de emparejamiento. El más común es el vecino más cercano dentro de las pinzas. El vecino más cercano sería el sujeto no expuesto que tiene un PS más cercano al PS para nuestro sujeto expuesto.

Es posible que no podamos encontrar una coincidencia exacta, por lo que decimos que aceptaremos una puntuación de PS dentro de ciertos límites de calibre. Establecemos un valor a priori para los calibradores. Este valor suele oscilar entre +/- 0,01 y +/- 0,05. Por debajo de 0.01, podemos obtener mucha variabilidad dentro de la estimación porque tenemos dificultades para encontrar coincidencias y esto nos lleva a descartar esos sujetos (coincidencia incompleta). Si pasamos de 0.05, podemos tener menos confianza en que nuestros expuestos y no expuestos sean realmente intercambiables (coincidencia inexacta). Normalmente, se elige 0,01 para un límite.

La proporción de sujetos expuestos a no expuestos es variable. Se puede hacer un emparejamiento 1: 1, pero a menudo se hace el emparejamiento con el reemplazo para permitir mejores emparejamientos. Emparejar con reemplazo permite que el sujeto no expuesto que ha sido emparejado con un sujeto expuesto sea devuelto al grupo de sujetos no expuestos disponibles para emparejar.

Existe una compensación en el sesgo y la precisión entre la coincidencia con reemplazo y sin (1: 1). El emparejamiento con reemplazo permite reducir el sesgo debido a un mejor emparejamiento entre sujetos. Hacer coincidir sin reemplazo tiene una mayor precisión porque se utilizan más sujetos.

4. Verifique el equilibrio de las covariables en los grupos expuestos y no expuestos después de emparejar en PS.
Debe existir una superposición sustancial en las covariables entre los grupos expuestos y no expuestos para que podamos hacer inferencias causales a partir de nuestros datos. Esto es cierto en todos los modelos, pero en PSA, se vuelve muy evidente visualmente. Si no hay superposición en las covariables (es decir, si no tenemos superposición de puntuaciones de propensión), entonces todas las inferencias se realizarían fuera del apoyo de los datos (y, por lo tanto, las conclusiones dependerían del modelo).

Podemos utilizar un par de herramientas para evaluar nuestro equilibrio de covariables. Primero, podemos crear un histograma del PS para grupos expuestos y no expuestos. En segundo lugar, podemos evaluar la diferencia estandarizada. En tercer lugar, podemos evaluar la reducción del sesgo.

Diferencia estandarizada = (100 * (media (x expuesta) - (media (x no expuesta))) / (sqrt ((DE ^ 2 expuesta + DE ^ 2 no expuesta) / 2))

Más del 10% de diferencia se considera mala. Nuestras covariables se distribuyen de manera demasiado diferente entre grupos expuestos y no expuestos para que nos sintamos cómodos asumiendo intercambiabilidad entre grupos.
Reducción de sesgo = 1- (| diferencia estandarizada igualada | / | diferencia estandarizada no igualada |)
Nos gustaría ver una reducción sustancial en el sesgo del análisis no emparejado al emparejado. Los medios sustanciales dependen de usted.
5. Calcule la estimación del efecto y los errores estándar con esta población emparejada.
Estimación del efecto del tratamiento promedio de los tratados (ATT) = suma (y expuestos- y no expuestos) / # de pares emparejados
Los errores estándar se pueden calcular utilizando métodos de remuestreo bootstrap.
Los pares emparejados resultantes también se pueden analizar usando métodos estadísticos estándar, p. Modelos de riesgos proporcionales de Kaplan-Meier, Cox. Puede incluir PS en el modelo de análisis final como una medida continua o crear cuartiles y estratificar.

Algunas notas más sobre PSA
El PSA se puede utilizar para exposiciones dicotómicas o continuas.
Debido a que el PSA solo puede abordar las covariables medidas, la implementación completa debe incluir un análisis de sensibilidad para evaluar las covariables no observadas.
El PSA se puede utilizar en SAS, R y Stata. Estos son complementos que están disponibles para descargar.
Aunque el PSA se ha utilizado tradicionalmente en epidemiología y biomedicina, también se ha utilizado en pruebas educativas (Rubin es uno de los fundadores) y ecología (¡la EPA tiene un sitio web sobre PSA!).

Fortalezas y limitaciones del PSA

Fortalezas
Puede incluir términos de interacción al calcular el PSA.
El PSA usa una puntuación en lugar de múltiples covariables para estimar el efecto. Esto permite que un investigador utilice docenas de covariables, lo que normalmente no es posible en los modelos multivariables tradicionales debido a los grados de libertad limitados y las celdas de recuento cero que surgen de estratificaciones de múltiples covariables.
Se puede utilizar para variables dicotómicas y continuas (las variables continuas tienen mucha investigación en curso).
Los pacientes incluidos en este estudio pueden ser una muestra más representativa de pacientes del mundo real de lo que proporcionaría un ECA.
Dado que no utilizamos ninguna información sobre el resultado al calcular el PS, ningún análisis basado en el PS sesgará la estimación del efecto.
Evitamos la inferencia fuera de soporte.
Dependemos menos de los valores p y otros supuestos específicos del modelo.
No necesitamos conocer las causas del resultado para crear intercambiabilidad.

las mejores universidades en Nueva York

Limitaciones
La limitación más seria es que el PSA solo controla las covariables medidas.
La superposición de grupos debe ser sustancial (para permitir una correspondencia adecuada).
Hacer coincidir las covariables observadas puede abrir caminos de puerta trasera en covariables no observadas y exacerbar el sesgo oculto.
El PSA funciona mejor en muestras grandes para obtener un buen equilibrio de covariables.
Si nos faltan datos, obtenemos un PS faltante.
No tiene en cuenta el agrupamiento (problemático para la investigación a nivel de vecindario).

Lecturas

Libros de texto y capítulos

Oakes JM y Johnson PJ. 2006. Emparejamiento por puntaje de propensión para la epidemiología social en Methods in Social Epidemiology (eds. JM Oakes y JS Kaufman), Jossey-Bass, San Francisco, CA.
Introducción simple y clara a PSA con ejemplo trabajado de epidemiología social.

Hirano K e Imbens GW. 2005. La puntuación de propensión con tratamientos continuos en el modelado bayesiano aplicado y la inferencia causal a partir de perspectivas de datos incompletos: un viaje esencial con la familia estadística de Donald Rubin (eds. A Gelman y XL Meng), John Wiley & Sons, Ltd, Chichester, Reino Unido.
Discusión sobre el uso de PSA para tratamientos continuos.

Artículos metodológicos

Rosenbaum PR y Rubin DB. 1983. El papel central del puntaje de propensión en los estudios observacionales de efectos causales. Biometrika, 70 (1); 41-55.
Artículo germinal sobre PSA.

Rosenbaum PR y Rubin DB. 1985. El sesgo debido al emparejamiento incompleto. Biometrika, 41 (1); 103-116.
Discusión del sesgo debido al emparejamiento incompleto de sujetos en PSA.

D’Agostino RB. 1998. Métodos de puntuación de propensión para la reducción del sesgo en la comparación de un tratamiento con un grupo de control no aleatorizado. Statist Med, 17 años; 2265-2281.
Una discusión más detallada de PSA con ejemplos resueltos. Incluye cálculos de diferencias estandarizadas y reducción de sesgos.

Joffe MM y Rosenbaum PR. 1999. Comentario invitado: puntajes de propensión. Am J Epidemiol, 150 (4); 327-333.
Discusión de los usos y limitaciones del PSA. También incluye una discusión sobre el PSA en estudios de cohortes de casos.

Artículos de aplicación

Kumar S y Vollmer S. 2012. ¿El acceso a un saneamiento mejorado reduce la diarrea en las zonas rurales de la India? Health Econ. DOI: 10.1002 / hec.2809
Aplica PSA al saneamiento y la diarrea en los niños de las zonas rurales de la India. Mucha explicación sobre cómo se llevó a cabo el PSA en el documento. Buen ejemplo.

Suh HS, Hay JW, Johnson KA y Doctor, JN. 2012. Efectividad comparativa de la terapia de combinación de estatinas más fibratos y la monoterapia con estatinas en pacientes con diabetes tipo 2: uso de métodos de puntuación de propensión y variables instrumentales para ajustar el sesgo de selección del tratamiento. Farmacoepidemiol y seguridad de los medicamentos. DOI: 10.1002 / pds.3261
Aplica PSA a las terapias para la diabetes tipo 2. También compara el PSA con variables instrumentales.

Rubin DB. 2001. Uso de puntajes de propensión para ayudar a diseñar estudios observacionales: Aplicación al litigio del tabaco. Método de resolución de resultados del servicio de salud, 2; 169-188.
Aplicación más avanzada de PSA por uno de los creadores de PSA.

Landrum MB y Ayanian JZ. 2001. Efecto causal de la atención especializada ambulatoria sobre la mortalidad después de un infarto de miocardio: una comparación de la propensión social y el análisis de variables instrumentales. Método de resolución de resultados del servicio de salud, 2; 221-245.
Un buen ejemplo claro de PSA aplicado a la mortalidad después de un infarto de miocardio. Comparación con métodos IV.

Bingenheimer JB, Brennan RT y Earls FJ. 2005. Exposición a violencia por armas de fuego y comportamiento violento grave. Science, 308; 1323-1326.
Interesante ejemplo de PSA aplicado a la exposición a la violencia con armas de fuego y el consiguiente comportamiento violento grave.

Sitios web

Implementación de software estadístico
Software para implementar métodos de emparejamiento y puntajes de propensión:
http://www.biostat.jhsph.edu/~estuart/propensityscoresoftware.html

Para macro SAS:
http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfm gmatch: Emparejamiento computarizado de casos a controles usando el algoritmo de emparejamiento codicioso con un número fijo de controles por caso.
vmatch: Emparejamiento computarizado de casos a controles usando el emparejamiento óptimo variable.

Documentación SAS:
http://www.nesug.org/Proceedings/nesug10/ad/ad05.pdf

Introducción al estado:
http: //help.pop.psu/edu/help-by-statistical-method/propensity-metching/Intro to P-score_Sp08.pdf
http://fmwww.bc.edu/RePEc/usug2001/psmatch.pdf

Para el programa R:
http://sekhon.berkeley.edu/matching/

Información general sobre PSA
Buena introducción a PSA de Kaltenbach:
http://www.mc.vanderbilt.edu/gcrc/workshop_files/2008-04-11.pdf

Diapositivas de la presentación de Thomas Love 2003 ASA:
www.chrp.org/love/ASACleveland2003**Propensity**.pdf

Recursos (folletos, bibliografía anotada) de Thomas Love:
http://www.chrp.org/propensity

Explicación y ejemplo de la ecología de PSA:
http://www.epa.gov/caddis/da_advanced_5.html

Cursos

Un Taller en línea sobre emparejamiento de puntajes de propensión está disponible a través de EPIC

Estimación de los efectos de las intervenciones de salud mental en entornos no experimentales
Elizabeth Stuart
Ju-V, 14-15 de junio de 2012, 8:30 am - 4:30 pm
http://www.jhsph.edu/dept/mh/summer_institute/courses.html

Artículos De Interés

La Elección Del Editor

Le encanta tanto el fútbol italiano que compró un equipo
Le encanta tanto el fútbol italiano que compró un equipo
Rocco B.
Roskomnadzor c. Telegrama
Roskomnadzor c. Telegrama
Columbia Global Freedom of Expression busca promover la comprensión de las normas e instituciones nacionales e internacionales que mejor protegen el libre flujo de información y expresión en una comunidad global interconectada con importantes desafíos comunes que abordar. Para lograr su misión, Global Freedom of Expression emprende y encarga proyectos de investigación y políticas, organiza eventos y conferencias, y participa y contribuye a los debates globales sobre la protección de la libertad de expresión e información en el siglo XXI.
Nabila El-Bassel
Nabila El-Bassel
Figura destacada en la ciencia de la intervención para la prevención y el tratamiento del VIH / SIDA, la Dra. El-Bassel, ahora profesora universitaria, es conocida por su trabajo
La caza de la primera exoluna puede haber terminado
La caza de la primera exoluna puede haber terminado
Los astrónomos de Columbia David Kipping y Alex Teachey informan evidencia de una luna alrededor de un planeta similar a Júpiter llamado Kepler-1625b.
El caso de Wikimedia Foundation Inc. y otros
El caso de Wikimedia Foundation Inc. y otros
Columbia Global Freedom of Expression busca promover la comprensión de las normas e instituciones nacionales e internacionales que mejor protegen el libre flujo de información y expresión en una comunidad global interconectada con importantes desafíos comunes que abordar. Para lograr su misión, Global Freedom of Expression emprende y encarga proyectos de investigación y políticas, organiza eventos y conferencias, y participa y contribuye a los debates globales sobre la protección de la libertad de expresión e información en el siglo XXI.
Veteranos y miembros del servicio
Veteranos y miembros del servicio
Wham Kwok Han Jolovan contra el fiscal
Wham Kwok Han Jolovan contra el fiscal
Columbia Global Freedom of Expression busca promover la comprensión de las normas e instituciones nacionales e internacionales que mejor protegen el libre flujo de información y expresión en una comunidad global interconectada con importantes desafíos comunes que abordar. Para lograr su misión, Global Freedom of Expression emprende y encarga proyectos de investigación y políticas, organiza eventos y conferencias, y participa y contribuye a los debates globales sobre la protección de la libertad de expresión e información en el siglo XXI.