Зважування балів схильності при аналізі Кокса та коваріату

Щодо зважування балів схильності (IPTW) під час моделювання пропорційного ризику Кокса даних про виживання часу до події:

У мене є потенційні дані реєстру, де нам цікаво переглянути ефект від лікування ліками, які в більшості випадків пацієнти вже приймали на початковому рівні. Тому я не впевнений, як найкраще проаналізувати дані. Потенційно, деякі з вихідних змінних в значній мірі впливають на лікування , а не навпаки (наприклад , деякі біомаркерів). Я трохи розгублений щодо того, які коваріати я повинен включати в модель оцінки схильності для оцінки ваги і які коваріати я повинен включати як коваріати в coxphмодель (якщо такі взагалі є). Будь-які підказки в правильному напрямку були б корисні! Я поки не зміг знайти жодної літератури щодо цього в моделюванні CoxPh.

Я думаю, що коваріати, що представляють лікування, розпочате на початковому рівні, що (може) вплинути на результат, слід включати як коваріати Кокса, але я не впевнений у цьому.

Як визначити, які змінні слід включити як коваріати в модель Кокса, а не використовувати їх для обчислення ваги балів схильності?

Подальше запитання:

Я розумію проблему успадкування оцінки ефекту від певного втручання, яке вже почалося, тобто є поширеним серед пацієнтів до початку спостереження. Як щодо введення упередженості, пов’язаної з коливанням ризику у часі (наприклад, побічні ефекти, що зустрічаються частіше першого року терапії), так і коваріатів, на які впливає лікування. Якщо я не помиляюся - це було запропоновано як причина розбіжності між спостережуваними та рандомізованими щодо серцево-судинних кінцевих показників та замісної терапії гормонами. З мого набору даних, з іншого боку, нам цікаво розглянути можливий несприятливий ефект від лікування.

Якщо я використовую коригування показника схильності для дослідження ефекту лікування серед поширених споживачів, тобто вже використовуючи ліки до початку спостереження, у когортних даних ми спостерігаємо несприятливий ефект фармакологічної терапії (і це те, що ми шукали). Чи можна виключити можливість завищення ризику, пов’язаного з лікуванням? Тобто, поки ризик значно підвищений, він "напевно" не є захисним?

Я не можу уявити собі приклад, коли подібний упередження може ввести в цьому контексті завищення ризику асоціації з фальшивим ризиком.

Теоретично кожна змінна, яку ви вибрали як частину ваги оцінки схильності, не повинна включатись як коваріати в модель, оскільки зважування вже контролювало їх потенційне заплутування. За допомогою відповідної моделі зважування ви можете, абсолютно буквально, просто моделювати ефект впливу.

Зважаючи на це, є причини, які ви хочете включити в модель термінів:

• "Двомірно надійні" оцінки. Немає жодної причини, окрім втрати в точності, що ви не можете використовувати змінні як у ваговій моделі, так і як коваріати. Теоретично ви захищаєте себе від заплутування двома способами (звідси цю техніку називають "подвійною"). Майте на увазі, що це захищає вас від неправильної уточнення моделі PS або коваріативної моделі, надаючи «другий шанс» вказати правильну модель, це не магічне виправлення.
• Кілька оцінок відсотків. Зважування змушує оцінки ефекту від коваріатів зникати - якщо ви хочете коефіцієнт регресії для змінної, ви хочете включити її як коваріат на етапі CoxPH, а не в модель PS.

Спробуйте шукати "Двомірно міцні" та подібні терміни в таких журналах, як " Епідеміологія" або "Американський журнал епідеміології" , а також у біостатистичній літературі, і вам слід розкрити корисні джерела.

Важливо розрізняти "постраждалих від лікування" та "пов'язаних з лікуванням". Останнє може включати фактори вибору лікування, такі як ті, які ми намагаємось коригувати з урахуванням схильності та / або кореваційного регулювання. "Постраждалі від лікування" означають, що коваріати вимірюються через нульовий час (наприклад, після рандомізації або після початку лікування), що означає, що їх слід рідко застосовувати.