Askeri Sağlık Sistemi Veri Deposu ve Ulusal Ölüm Endeksi kullanılarak Ters Tedavi Ağırlıklandırma (Eğilim Puanı)
Summary
Randomize kontrollü çalışmalar mümkün olmadığında, Askeri Sağlık Sistemi Veri Deposu gibi kapsamlı bir sağlık veri kaynağı retrospektif analizler için cazip bir alternatif sağlar. Ulusal ölüm endeksinden ölüm verilerinin birleştirilmesi ve eğilim ağırlığı kullanan gruplar arasındaki farklılıkların dengelenmesi, retrospektif tasarımlarda ortaya çıkan önyargıların azaltılmasına yardımcı olur.
Abstract
Randomize kontrollü çalışmalar mümkün olmadığında, büyük verileri kullanan retrospektif çalışmalar, tedavi seçimi önyargısı açısından risk altında olmalarına rağmen etkin ve uygun maliyetli bir alternatif sağlar. Tedavi seçimi, sonuçla ilişkili tedavi öncesi özelliklere dayandığı zaman randomize olmayan bir çalışmada ortaya çıkar. Bu tedavi öncesi özellikler veya kurucular, bir tedavinin sonuç üzerindeki etkisinin değerlendirilmesini etkileyebilir. Eğilim puanları tedavi grupları arasında bilinen kurucuları dengeleyerek bu önyargıyı en aza indirir. Eğilim puanı analizleri yapmak için eğilim puanı, eğilim eşleştirme ve tedavi ağırlıklandırmasının ters olasılığı (IPTW) dahil olmak üzere birkaç yaklaşım vardır. Burada açıklanan IPTW kullanımı ABD Askeri Sağlık Sistemi Veri Deposu (MDR) içinde hastaların bir kohort temel komorbiditeleri dengelemek için. MDR, uygun yararlanıcılar için yatarak ve ayakta tedavi hizmetleri hakkında neredeyse eksiksiz bilgilerin sunulduğu, içerdiği bir kohort sağladığından, nispeten optimal bir veri kaynağıdır. Aşağıda özetlenen sağlam mortalite verileri sağlamak için ulusal ölüm endeksi nden bilgi ile desteklenen MDR kullanımıdır. Ayrıca, yönetim verilerini kullanmak için öneriler de sağlanır. Son olarak, protokol, bilinen kurucuları dengelemek ve ilgi nin sonucu için kümülatif insidans işlevini çizmek için IPTW’yi kullanmak için bir SAS kodunu paylaşır.
Introduction
Randomize, plasebo kontrollü çalışmalar tedavinin etkinliğini ölçmek için en güçlü çalışma tasarımı, ama her zaman maliyet ve zaman gereksinimleri veya tedavi grupları arasında eşitlik eksikliği nedeniyle mümkün değildir1. Bu gibi durumlarda, büyük ölçekli yönetim verileri (“büyük veri”) kullanan retrospektif bir kohort tasarımı genellikle etkin ve uygun maliyetli bir alternatif sağlar, ancak randomizasyon eksikliği tedavi seçimi önyargı2’yiortaya çıkarır. Tedavi kararı ilgi sonucu ile ilişkili tedavi öncesi özelliklere bağlı olduğunda tedavi seçimi önyargı randomize olmayan çalışmalarda ortaya çıkar. Bu özellikler kafa karıştırıcı faktörler olarak bilinir.
Eğilim puanları tedavi grupları arasında bilinen kurucuları dengeleyerek bu önyargıyı en aza indirgediği için, giderek daha popüler hale gelmiştir3. Propensity skorları cerrahi yaklaşımlarkarşılaştırmak için kullanılmıştır 4 ve tıbbi rejimler5. Son zamanlarda, abd askeri sağlık sistemi veri deposu (MDR) koroner arter kalsiyum varlığı ve şiddetine dayalı kardiyovasküler sonuçların birincil önleme statinlerin etkisini değerlendirmek için verilerin bir eğilim analizi kullandık6.
MDR, daha az sıklıkta Medicare ve VA veri setleri araştırma amaçlı kullanılan, aktif görev askeri, emekliler ve diğer Savunma Bakanlığı (DoD) sağlık yararlanıcıları ve bağımlıları için sağlanan yataklı ve ayakta tedavi hizmetleri kapsamlı idari ve tıbbi talep bilgileri içerir. Veritabanı, dünya çapında ABD askeri arıtma tesislerinde veya DoD’ye fatura edilen sivil tesislerde sağlanan hizmetleri içermektedir. Veritabanı 1 Ekim 2001’den bu yana tüm eczane verilerini içerir. Laboratuvar verileri 2009’dan itibaren mevcuttur, ancak sadece askeri arıtma tesisleri ile sınırlıdır. MDR içinde, kohortlar tanı kodlarının (örn. diabetes mellitus7)veya prosedür kodlarının (örn. artroskopik cerrahi8)kullanımı gibi yöntemlerle tanımlanmıştır. Alternatif olarak, bir kayıt defteri gibi uygun yararlanıcıların harici tanımlanmış bir kohort, temel ve takip verileri elde etmek için MDR eşleşebilir9. Medicare aksine, MDR her yaştan hasta içerir. Bağımlıları içerdiğinden, va veritabanına göre erkeklere karşı daha az önyargılıdır. Ancak MDR’ye erişim sınırlıdır. Genel olarak, sadece Askeri Sağlık Sistemi üyesi olan müfettişler, VA veritabanının kullanımı için gerekli liklere benzer şekilde erişim talep edebilirler. Askeri Sağlık Sistemleri verilerine erişmek isteyen sivil toplum araştırmacıları bunu bir hükümet sponsoru gözetiminde bir veri paylaşım anlaşması yoluyla yapmalıdır.
Herhangi bir yönetim veri kümesi kullanırken, bu sınırlamalar yanı sıra idari kodlama güçlü akılda tutmak önemlidir. Kodun duyarlılığı ve özgüllüğü, birincil veya ikincil tanı veya yatarak veya ayakta nisbar dosyası olsun, ilgili tanıya bağlı olarak değişebilir. Akut miyokard enfarktüsü için yatarak kodlar genellikle doğru% 9010üzerinde pozitif tahmin değerleri ile bildirilmiştir, ancak tütün kullanımı genellikle11undercoded olduğunu . Bu tür undercoding olabilir veya bir çalışmanın sonuçları üzerinde anlamlı bir etkisi olmayabilir12. Ayrıca, belirli bir durum için çeşitli kodlar soru13hastalık için korelasyon değişen düzeylerde mevcut olabilir. Bir araştırma ekibi, uygun kodların çalışmaya dahil edilmesini sağlamak için Uluslararası Hastalık Sınıflandırması, Dokuzuncu Revizyon, Klinik Modifikasyon (ICD-9-CM) ve/veya ICD-10-CM kodlama kılavuzlarının kapsamlı bir literatür taraması ve incelemesini yapmalıdır.
Komorbid koşulları tanımlamak için tanı kodlarının duyarlılığını ve doğruluğunu artırmak için çeşitli yöntemler kullanılabilir. Temel komorbiditeleri belirlemek için uygun bir “geri dönüş” dönemi eklenmelidir. Geri dönüş süresi, eğitime başlamadan önce sağlanan yatarak ve ayakta tedavi hizmetlerini içerir. Bir yıllık bir süre en uygun14olabilir. Ayrıca, tek bir talep yerine iki ayrı talep gerektiren özgüllüğü artırabilir, farmasötik verilerle kodlama verileri tamamlayan duyarlılık artırabilir15. Kodlama stratejisinin doğruluğunu doğrulamak için verilerin bir bölümünde ki manuel grafik denetimlerini seçin.
Komorbiditeler tanımlandıktan ve söz konusu kohort için değerlendirildikten sonra, tedavi grupları arasındaki kovariatfarklılıkları dengelemek için bir eğilim skoru kullanılabilir. Eğilim puanı, hastanın bilinen kovariatlara dayalı bir tedaviye atanması olasılığından türetilir. Bu eğilim tedavi için muhasebe covariates tedavi atama üzerindeki etkisini azaltır ve sonuç üzerinde tedavi etkisinin daha gerçek bir tahmin oluşturmaya yardımcı olur. Eğilim puanları mutlaka çok değişkenli modellere üstün sonuçlar sağlamaz iken, onlar tedavi ve tedavi edilmeyen grupların eğilim puanıuygulandıktansonra karşılaştırılabilir olup olmadığının değerlendirilmesi için izin yok 3 . Çalışma araştırmacıları, bilinen kurucuların gruplar arasında dengelenmiş olmasını sağlamak için, eğilim eşleştirmesinden önce ve sonra veya tedavi ağırlıklandırmasının (IPTW) ters olasılıklarını analiz edebilirler. Daha da önemlisi, bilinmeyen kurucular dengeli olmayabilir ve kalıntı kafa karıştırıcı potansiyelinin farkında olmak gerekir.
Düzgün yürütüldüğünde, eğilim puanları tahmin ve randomize kontrollü çalışmaların sonuçlarını çoğaltmak güçlü bir araçtır16. Mevcut eğilim-skor teknikleri, eşleştirme ve IPTW genellikle17tercih edilir. IPTW içinde, hastalar tedavi eğilimi veya olasılık tarafından ağırlıklı. Stabilizasyon ağırlıkları genellikle ham ağırlıklar üzerinde tavsiye edilir, ağırlıkların kırpma da kabul edilebilir iken18,19,20,21.
Çalışma grupları dengelendikten sonra ilgi nin sonucuna kadar takip edilebilirler. İdari verileri kullanan çalışmalar, geri kabul oranları ve olay zamanı analizleri gibi sonuçlarla ilgilenebilir. Mortalite ile ilgili çalışmalarda, Askeri Sağlık Sistemi Veri Deposu daha da ulusal ölüm endeksi (NDI)22,23kullanılarak artırılabilir hayati durum için bir alan içerir. NDI, Hastalık Kontrol Merkezi tarafından yönetilen devlet dairelerinden gelen ölüm kaydı bilgilerinin merkezi bir veritabanıdır. Müfettişler ölüm belgesine dayanarak temel hayati durum ve/veya belirli ölüm nedenini talep edebilirler.
Aşağıdaki protokol, NDI’nin mortalite bilgileriyle artırılmış MDR kullanarak bir idari veritabanı çalışması yürütme sürecini ayrıntılarıyla açıklar. SAS kodu ve örnek çıktı dahil olmak üzere iki tedavi grubu arasındaki temel farklılıkları dengelemek için IPTW kullanımını ayrıntıları.
Protocol
Representative Results
Discussion
Büyük yönetimsel veri kümeleri kullanılarak yapılan retrospektif analizler, randomize kontrollü denemeler mümkün olmadığında etkin ve uygun maliyetli bir alternatif sağlar. Uygun veri seti nüfusve ilgi değişkenlerine bağlıdır, ancak MDR Medicare verileri ile görülen yaş kısıtlamaları olmayan cazip bir seçenektir. Herhangi bir veri seti ile, onun düzeni ve veri sözlüğü yakından aşina olmak önemlidir. Tam verilerin yakalanmasını ve verilerin doğru bir şekilde eşleştirilip birleştiri…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Bu yayında yer alan araştırma, UL1 TR002345 ödül numarası altında Ulusal Sağlık Enstitüleri’nin Çeviri Bilimleri Geliştirme Merkezi tarafından desteklenmiştir. İçerik sadece yazarların sorumluluğundadır ve Ulusal Sağlık Enstitüleri’nin resmi görüşlerini temsil etmek zorunda değildir.
Yasal Uyarı: Ayrıca, bu makalede ifade edilen görüşler sadece yazarın görüşleridir ve Amerika Birleşik Devletleri Hükümeti, Amerika Birleşik Devletleri Savunma Bakanlığı (DoD) veya Amerika Birleşik Devletleri Bakanlığı’nın Ordu. Belirli ürünlerin veya bilimsel enstrümantasyonun tanımlanması bilimsel çabanın ayrılmaz bir parçası olarak kabul edilir ve yazar, DoD veya herhangi bir bileşen ajansı adına onay veya zımni ciro teşkil etmez.
Materials
| CD Burner (for NDI Request) | |||
| Computer | |||
| Putty.exe | Putty.org | ||
| SAS 9.4 | SAS Institute Cary, NC | ||
| WinSCP or other FTP software | https://winscp.net/eng/index.php |
Riferimenti
- Concato, J., Shah, N., Horwitz, R. I. Randomized, controlled trials, observational studies, and the hierarchy of research designs. New England Journal of Medicine. 342 (25), 1887-1892 (2000).
- Austin, P. C., Platt, R. W. Survivor treatment bias, treatment selection bias, and propensity scores in observational research. Journal of Clinical Epidemiology. 63 (2), 136-138 (2010).
- Sturmer, T., Wyss, R., Glynn, R. J., Brookhart, M. A. Propensity scores for confounder adjustment when assessing the effects of medical interventions using nonexperimental study designs. Journal of Internal Medicine. 275 (6), 570-580 (2014).
- Schermerhorn, M. L., et al. Long-Term Outcomes of Abdominal Aortic Aneurysm in the Medicare Population. New England Journal of Medicine. 373 (4), 328-338 (2015).
- Williams, R. J., et al. A Propensity-Matched Analysis Between Standard Versus Tapered Oral Vancomycin Courses for the Management of Recurrent Clostridium difficile Infection. Open Forum Infectious Diseases. 4 (4), (2017).
- Mitchell, J. D., et al. Impact of Statins on Cardiovascular Outcomes Following Coronary Artery Calcium Scoring. Journal of the American College of Cardiology. 72 (25), 3233-3242 (2018).
- Rush, T., McGeary, M., Sicignano, N., Buryk, M. A. A plateau in new onset type 1 diabetes: Incidence of pediatric diabetes in the United States Military Health System. Pediatric Diabetes. 19 (5), 917-922 (2018).
- Rhon, D. I., Greenlee, T. A., Marchant, B. G., Sissel, C. D., Cook, C. E. Comorbidities in the first 2 years after arthroscopic hip surgery: substantial increases in mental health disorders, chronic pain, substance abuse and cardiometabolic conditions. British Journal of Sports Medicine. , (2018).
- Mitchell, J., Paisley, R., Moon, P., Novak, E., Villines, T. Coronary Artery Calcium Score and Long-term Risk of Death, Myocardial Infarction and Stroke: The Walter Reed Cohort Study. Journal of the American College of Cardiology: Cardiovascular Imaging. , (2017).
- McCormick, N., Lacaille, D., Bhole, V., Avina-Zubieta, J. A. Validity of myocardial infarction diagnoses in administrative databases: a systematic review. PLoS ONE. 9 (3), e92286 (2014).
- Huo, J., Yang, M., Tina Shih, Y. -. C. Sensitivity of Claims-Based Algorithms to Ascertain Smoking Status More Than Doubled with Meaningful Use. Value in Health. , (2017).
- Nayan, M., et al. The value of complementing administrative data with abstracted information on smoking and obesity: A study in kidney cancer. Canadian Urological Association Journal. 11 (6), 167-171 (2017).
- Birman-Deych, E., et al. Accuracy of ICD-9-CM codes for identifying cardiovascular and stroke risk factors. Medical Care. 43 (5), 480-485 (2005).
- Preen, D. B., Holman, C. D., Spilsbury, K., Semmens, J. B., Brameld, K. J. Length of comorbidity lookback period affected regression model performance of administrative health data. Journal of Clinical Epidemiology. 59 (9), 940-946 (2006).
- Rector, T. S., et al. Specificity and sensitivity of claims-based algorithms for identifying members of Medicare+Choice health plans that have chronic medical conditions. Health Services Research. 39 (6 Pt 1), 1839-1857 (2004).
- Hernán, M. A., et al. Observational studies analyzed like randomized experiments: an application to postmenopausal hormone therapy and coronary heart disease. Epidemiology (Cambridge, Mass.). 19 (6), 766-779 (2008).
- Austin, P. C. The relative ability of different propensity score methods to balance measured covariates between treated and untreated subjects in observational studies. Medical Decision Making. 29 (6), 661-677 (2009).
- Robins, J. M., Hernan, M. A., Brumback, B. Marginal structural models and causal inference in epidemiology. Epidemiology. 11 (5), 550-560 (2000).
- Robins, J. Marginal structural models. 1997 Proceedings of the American Statistical Association, section on Bayesian statistical science. , 1-10 (1998).
- Thoemmes, F., Ong, A. D. A Primer on Inverse Probability of Treatment Weighting and Marginal Structural Models. Emerging Adulthood. 4 (1), 40-59 (2016).
- Xu, S., et al. Use of stabilized inverse propensity scores as weights to directly estimate relative risk and its confidence intervals. Value in Health: the Journal of the International Society for Pharmacoeconomics and Outcomes Research. 13 (2), 273-277 (2010).
- Cowper, D. C., Kubal, J. D., Maynard, C., Hynes, D. M. A primer and comparative review of major US mortality databases. Annals of Epidemiology. 12 (7), 462-468 (2002).
- Skopp, N. A., et al. Evaluation of a methodology to validate National Death Index retrieval results among a cohort of U.S. service members. Annals of epidemiology. 27 (6), 397-400 (2017).
- Buck, C. J. . 2015 ICD-9-CM for Hospitals, Volumes 1, 2, & 3, Professional Edition. , (2015).
- Buck, C. J. . 2018 ICD-10-CM for Hospitals, Professional Edition. , (2018).
- Guo, S., Fraser, W. M. . Propensity Score Analysis: Statistical Methods and Applications, Second Edition. , (2015).
- Elixhauser, A., Steiner, C., Harris, D. R., Coffey, R. M. Comorbidity measures for use with administrative data. Medical Care. 36 (1), 8-27 (1998).
- Charlson, M. E., Pompei, P., Ales, K. L., MacKenzie, C. R. A new method of classifying prognostic comorbidity in longitudinal studies: development and validation. Journal of Chronic Diseases. 40 (5), 373-383 (1987).
- Deyo, R. A., Cherkin, D. C., Ciol, M. A. Adapting a clinical comorbidity index for use with ICD-9-CM administrative databases. Journal of Clinical Epidemiology. 45 (6), 613-619 (1992).
- Austin, P. C., Stuart, E. A. The performance of inverse probability of treatment weighting and full matching on the propensity score in the presence of model misspecification when estimating the effect of treatment on survival outcomes. Statistical Methods in Medical Research. 26 (4), 1654-1670 (2017).
- Austin, P. C. Balance diagnostics for comparing the distribution of baseline covariates between treatment groups in propensity-score matched samples. Statistics in Medicine. 28 (25), 3083-3107 (2009).
