پاسخ: ترکیب داده‌های با کیفیت بالا با روش‌های دقیق: شبیه‌سازی یک کارآزمایی هدف با استفاده از پرونده الکترونیکی سلامت و طراحی تودرتو مورد شاهدی

ویراستار عزیز

ما از خواندن مقاله رسولی و همکاران لذت بردیم. و با پیشنهاد آنها موافق هستند که تجزیه و تحلیل رگرسیون با استفاده از درمان و متغیرهای کمکی ثبت شده درست قبل از زمان رخ دادن پیامد (یعنی تاریخ شاخص) می تواند منجر به سوگیری در هنگام تخمین اثر درمان در مطالعات مورد-شاهدی تو در تو (NCC) شود.[1] رسولی و همکاران با استفاده از چارچوب تقلید کارآزمایی هدف، بینش خوبی در مورد استنتاج علی در مطالعات NCC ارائه کرد.

با این حال، از دیدگاه آماری، ما می خواهیم تأکید کنیم که هنگام استفاده از روش آنها باید احتیاط کرد. در این پاسخ، ما بر وضعیتی تمرکز می‌کنیم که در آن مدل کاکس برای موارد و کنترل‌های نمونه‌برداری شده با روش نمونه‌گیری ریسک مجموعه (ما این نمونه‌های NCC را که معمولاً در مطالعات NCC استفاده می‌شود، برای تخمین درمان می‌گوییم) تمرکز می‌کنیم. اثر

ابتدا رسولی و همکاران برای محاسبه احتمال معکوس (IP) اوزان درمان یا سانسور. تنها مدل‌های رگرسیون را برای افراد کنترل نمونه برازش داد. با این حال، از آنجایی که افراد کنترل یک نمونه تصادفی از یک گروه کامل نیستند، نمی‌توانیم به طور مداوم احتمالات درمان یا سانسور را با استفاده از افراد کنترل به تنهایی تخمین بزنیم. در عوض، نمونه‌های NCC باید به‌عنوان داده‌های موردی-کوهورت نمونه‌برداری شده نابرابر با احتمال معکوس وزن‌های نمونه‌گیری (IPS) تلقی شوند.[2] پس از آن، وزن IP را می توان به طور مداوم از تخمین شبه درستنمایی وزن شده توسط IPS تخمین زد. با این حال، اگر نمونه‌های NCC شامل تعداد کافی از افراد نباشد که درمان‌هایشان تغییر می‌کند و پیگیری آنها در طول دوره مطالعه سانسور می‌شود، به دلیل جداسازی، حل معادلات تخمینی برای تخمین وزن IP فقط با استفاده از نمونه‌های NCC دشوار است. برای غلبه بر این مشکل، محققان می توانند از افرادی که وضعیت درمان آنها تغییر کرده و افرادی که پیگیری آنها سانسور شده است، نمونه برداری کنند.[3] وزن IPS را می توان با ترکیب احتمالات نمونه برداری اضافی تغییر داد. با استفاده از نمونه‌های NCC و نمونه‌های اضافی، وزن IP را می‌توان به طور مداوم از تخمین‌های شبه درستنمایی اصلاح‌شده با وزن IPS تخمین زد. این روش فقط به مونتاژ متغیرهای کمکی برای نمونه‌های NCC و نمونه‌های اضافی نیاز دارد.

دوم، رسولی و همکاران. در صورتی که هر بیمار اجازه دارد در کارآزمایی های متعدد ثبت نام کند یا هنگام استفاده از تخمین وزن IP، از تخمینگر واریانس قوی استفاده شود. با این حال، هنگام استفاده از نمونه‌گیری ریسک مجموعه، برآوردگر قوی که معمولاً در نرم‌افزار آماری پیاده‌سازی می‌شود (به عنوان مثال، روش phreg در SAS یا بسته بقا در R) می‌تواند به طور قابل‌توجهی کوواریانس تخمین‌های مدل کاکس را برای داده‌های نمونه‌گیری NCC دست کم بگیرد.[4] این به این دلیل است که برآوردگر قوی به اشتراک گذاری موضوعات بین مجموعه ریسک نمونه را در نظر نمی گیرد. اگرچه Xiang و Langholz یک برآوردگر واریانس قوی پیشنهاد کردند که می تواند این مشکل را حل کند،[4] برآوردگر آنها خوشه‌بندی بر اساس هر موضوع را در نظر نگرفت. بر این اساس، اگر محققین بخواهند یک طرح آزمایشی چندگانه را برای مطالعات NCC اعمال کنند، تحقیقات بیشتری در مورد تخمین‌گر واریانس تخمین‌های پارامتر مورد نیاز است.

در نهایت رسولی و همکاران. توضیح داد که معیارهای خطر مطلق (به عنوان مثال، تفاوت ریسک) را نمی توان در مطالعات NCC تخمین زد. با این حال، با در نظر گرفتن فرآیند نمونه‌گیری، تفاوت‌های ریسک را می‌توان با استفاده از داده‌های نمونه‌گیری NCC، همانند داده‌های کوهورت کامل، تخمین زد.[2 5] با تنظیم تغییر درمان غیر تصادفی و سانسور با استفاده از تخمینگر Breslow با وزن IP[ [5] و با تخمین نسبت خطر با استفاده از مدل‌های کاکس با وزن IP، محققان می‌توانند خطرات خلاف واقع و در نتیجه اثر درمان حاشیه‌ای را از نظر تفاوت‌های ریسک تخمین بزنند.

روش دقیقی که زیربنای پیشنهادات ما است در مقاله اخیراً منتشر شده ما ارائه شده است، که در آن روش‌هایی را برای برازش مدل‌های ساختاری حاشیه‌ای کاکس با داده‌های نمونه‌برداری NCC برای تخمین اثر درمان‌های متغیر با زمان پیشنهاد کردیم.[3] ما معتقدیم که پیشنهادات ما بینش های بیشتری را در مورد تقلید آزمایش هدف با استفاده از طراحی NCC ارائه می دهد و استفاده مناسب تر از این رویکرد را تشویق می کند.

خالصانه

منابع
1. رسولی ب، چوبک جی، فلوید جی اس، و همکاران. ترکیب داده‌های با کیفیت بالا با روش‌های دقیق: شبیه‌سازی یک کارآزمایی هدف با استفاده از سوابق الکترونیکی سلامت و طراحی تودرتو مورد شاهد. BMJ 2023;383:e072346. doi: 10.1136/bmj-2022-072346
2. ساموئلسن SO. رویکرد شبه احتمال به تحلیل مطالعات موردی-شاهدی تودرتو. Biometrika 1997؛ 84 (2): 379-94.
3. Takeuchi Y، Hagiwawa Y، Komukai S، و همکاران. برآورد اثرات علی درمان های متغیر با زمان در مطالعات مورد-شاهدی تودرتو با استفاده از مدل های ساختاری حاشیه ای کاکس. Biometrics 2024; 80(1) doi: 10.1093/biomtc/ujae005
4. Xiang AH، Langholz B. برآورد واریانس قوی برای تخمین پارامترهای نسبت نرخ از داده‌های موردی-کنترل تطبیق داده شده. Biometrika 2003؛ 90 (3): 741-46.
5. Borgan O, Goldstein L, Langholz B. Methods for Analysis of Sampled Cohort Data in the Cox Proportional Hazards. The Annals of Statistics 1995;23(5):1749-78.