군 보건 시스템 데이터 저장소 및 국가 사망 지수를 사용하여 치료 가중치의 역 확률 (성향 점수)
Summary
무작위 통제 예심이 실현 가능하지 않은 경우에, 군사 건강 시스템 데이터 저장소와 같은 포괄적인 건강 관리 데이터 소스는 소급 분석을 위한 매력적인 대안을 제공합니다. 국가 사망 지수에서 사망률 데이터를 통합하고 성향 가중치를 사용하여 그룹 간의 차이를 균형을 조정하면 회고적 디자인에 내재된 편견을 줄일 수 있습니다.
Abstract
무작위 통제 실험이 실현 가능하지 않은 경우, 빅 데이터를 사용한 소급 연구는 치료 선택 편향의 위험에 처해 있지만 효율적이고 비용 효율적인 대안을 제공합니다. 치료 선택 편향은 치료 선택이 또한 결과와 연관되는 전처리 특성에 기초할 때 비무작위 연구에서 발생합니다. 이러한 전처리 특성 또는 혼란은 결과에 대한 치료의 영향 평가에 영향을 미칠 수 있습니다. 성향 점수는 치료 그룹 간의 알려진 혼란 사이의 균형을 조정하여 이러한 편견을 최소화합니다. 성향 점수, 성향 일치 및 치료 가중치 (IPTW)의 역 확률에 의해 계층화를 포함하여 성향 점수 분석을 수행하는 몇 가지 접근 방식이 있습니다. 여기에 설명된 IPTW는 미군 보건 시스템 데이터 저장소(MDR) 내의 환자 집단에서 기준선 동반조절의 균형을 맞추는 데 사용됩니다. MDR은 상대적으로 최적의 데이터 소스, 그것은 포함 된 코호트를 제공 하는 입원 환자 및 외래 환자 서비스에 대 한 거의 완전 한 정보를 적격 한 수혜자에 대 한 사용할 수 있는. 아래에 설명된 MDR은 강력한 사망률 데이터를 제공하기 위해 국가 사망 지수의 정보로 보충된 MDR의 사용입니다. 또한 관리 데이터 사용에 대한 제안도 제공됩니다. 마지막으로 프로토콜은 IPTW를 사용하여 알려진 혼란자의 균형을 맞추고 관심 결과에 대한 누적 발생률 함수를 플로팅하기 위한 SAS 코드를 공유합니다.
Introduction
무작위화, 위약 대조 시험은 치료의 효능을 정량화하는 가장 강력한 연구 설계이지만, 비용과 시간 요구 사항 또는 치료 그룹 사이의 균형의 부족으로 인해 항상 실현 가능하지는 않습니다1. 이러한 경우, 대규모 관리 데이터(“빅 데이터”)를 사용하는 회고적 코호트 설계는 종종 효율적이고 비용 효율적인 대안을 제공하지만 무작위화의 부족은 치료 선택 편향을 도입합니다2. 치료 선택 편향은 치료 결정이 관심의 결과와 관련된 전처리 특성에 의존할 때 비무작위 연구에서 발생합니다. 이러한 특성을 혼동 요인으로 알려져 있습니다.
성향 점수는 치료 그룹 사이의 알려진 혼란사이의 균형을 조정하여이러한 편견을 최소화하기 때문에, 그들은 점점 더 인기를 끌고있다3. 성향 점수는 외과 접근 4및 의학 식이요법5를비교하기 위하여 이용되었습니다. 최근에는 관상동맥 칼슘의 존재 및 중증도에 기초하여 심혈관 결과의 1차 예방에 스타틴의 효과를 평가하기 위해 미국 군 보건 시스템 데이터 저장소(MDR)의 데이터에 대한 성향 분석을 사용했습니다6.
MDR은 연구 목적으로 메디케어 및 VA 데이터 세트보다 덜 자주 활용되며 현역 군인, 은퇴자 및 기타 국방부 (DoD) 의료 수혜자 및 그 부양 가족에 대해 제공되는 입원 환자 및 외래 환자 서비스의 포괄적 인 관리 및 의료 청구 정보를 포함합니다. 데이터베이스에는 미군 치료 시설이나 국방부에 청구된 민간 시설에서 전 세계적으로 제공되는 서비스가 포함됩니다. 데이터베이스에는 2001년 10월 1일 이후의 완전한 약국 데이터가 포함되어 있습니다. 실험실 데이터는 2009년부터 사용할 수 있지만 군사 치료 시설로만 제한됩니다. MDR 내에서, 코호트는 진단 코드의 사용을 포함하는 방법으로 정의되었습니다 (예를 들어, 당뇨병7)또는 절차 코드 (예를 들어, 관절 경 수술8). 또는 레지스트리와 같은 적격 수혜자의 외부 정의 코호트를 MDR과 일치하여 기준 및 후속 데이터9를얻을 수 있습니다. 메디케어와는 달리, MDR은 모든 연령대의 환자를 포함한다. 그것은 또한 종속 을 포함 하기 때문에 VA 데이터베이스 보다 남성으로 덜 편향. 그러나 MDR에 대한 액세스는 제한되어 있습니다. 일반적으로 군 보건 시스템의 구성원인 조사자만 VA 데이터베이스 사용 요구 사항과 유사하게 액세스를 요청할 수 있습니다. 군사 보건 시스템 데이터에 대한 액세스를 원하는 비정부 연구원은 정부 후원자의 감독하에 데이터 공유 계약을 통해 이를 수행해야 합니다.
관리 데이터 집합을 사용할 때는 관리 코딩의 강점뿐만 아니라 제한 사항을 염두에 두어야 합니다. 코드의 민감도 및 특이성은 관련 진단에 따라 달라질 수 있습니다. 급성 심근 경색에 대한 입원 환자 코드는 일반적으로 90 %10이상 긍정적 인 예측 값으로 정확하게보고되지만 담배 사용은 종종11로 코딩됩니다. 이러한 언더코딩은 연구 결과에 의미 있는 영향을 미칠 수도 있고 그렇지 않을 수도 있습니다12. 추가적으로, 주어진 조건에 대한 몇몇 코드는 문제의 질병에 상관관계의 다양한 수준으로 존재할 수 있습니다13. 조사팀은 적절한 코드가 연구에 포함되도록 국제 질병 분류, 9차 개정, 임상 수정(ICD-9-CM) 및/또는 ICD-10-CM 코딩 매뉴얼에 대한 포괄적인 문헌 검색 및 검토를 수행해야 합니다.
comorbid 조건을 정의하기 위해 진단 코드의 감도 및 정확도를 개선하기 위해 여러 가지 방법을 사용할 수 있습니다. 기준 준수를 설정하려면 적절한 “룩백” 기간이 포함되어야 합니다. 룩백 기간에는 연구 진입 전에 제공된 입원 환자 및 외래 환자 서비스가 포함됩니다. 1년의 기간은 최적14일수 있습니다. 또한 단일 클레임 대신 두 개의 개별 클레임을 요구하면 특이성이 향상될 수 있으며 제약 데이터로 코딩 데이터를 보완하면 민감도15가향상될 수 있습니다. 데이터의 일부에 대한 수동 차트 감사를 선택하여 코딩 전략의 정확성을 검증할 수 있습니다.
일단 comorbidities가 문제의 코호트에 대해 정의되고 평가되면, 성향 점수는 처리 단 사이 공변량에 있는 다름을 균형을 위해 이용될 수 있습니다. 성향 점수는 환자가 알려진 공변량에 근거한 처리에 할당되는 확률에서 파생됩니다. 이 성향 처리를 위한 회계는 공변류가 처리 할당에 있는 효력을 감소시키고 결과에 처리 효력의 실제적인 견적을 생성하는 것을 돕습니다. 성향 점수가 반드시 다변량 모델에 우수한 결과를 제공하는 것은 아니지만, 그들은 성향 점수3을적용 한 후 처리 및 치료되지 않은 그룹이 비교되는지 여부를 평가 할 수 있습니다. 연구 조사관은 알려진 confounders가 그룹 사이에서 균형을 이루고 있는지 확인하기 위하여 처리 가중치의 성향 일치 또는 역 확률 (IPTW) 전후에 공변량에 있는 절대 표준화한 다름을 분석할 수 있습니다. 중요한 것은, 알 수없는 혼란은 균형되지 않을 수 있습니다, 하나는 잔류 혼란에 대한 잠재력을 알고 있어야합니다.
제대로 실행 하는 경우, 그래도, 성향 점수 예측 하 고 무작위 통제 실험의 결과 복제할 수 있는 강력한 도구16. 이용 가능한 성향 점수 기술 중, 매칭 및 IPTW는 일반적으로17로바람직하다. IPTW 내에서, 환자는 그들의 성향 또는 치료에 대 한 확률에 의해 가중. 안정화 가중치는 일반적으로 원시 분동보다 권장되며, 가중치 트리밍도18,19,20,21로간주될 수 있습니다.
일단 연구 그룹이 균형을 이루면, 관심의 결과가 나올 때까지 그(것)들은 따를 수 있습니다. 행정 데이터를 활용한 연구는 재입학률 및 이벤트 시간 분석과 같은 결과에 관심이 있을 수 있습니다. 사망률에 관심이 있는 연구에서, 군 보건 시스템 데이터 저장소는 국가 사망 지수(NDI)22,23을사용하여 더욱 증강될 수 있는 중요한 상태에 대한 필드를 포함한다. NDI는 질병 통제 센터에 의해 관리되는 국가 사무실에서 죽음 기록 정보의 중앙 집중식 데이터베이스입니다. 수사관은 사망 증명서에 따라 기본적인 중요 상태 및 / 또는 특정 사망 원인을 요청할 수 있습니다.
다음 프로토콜은 NDI의 사망률 정보로 증강된 MDR을 사용하여 관리 데이터베이스 연구를 수행하는 프로세스를 자세히 설명합니다. SAS 코드 및 예제 출력을 포함한 두 치료 그룹 간의 기준선 차이를 균형 조정하기 위해 IPTW를 사용하는 방법을 자세히 설명합니다.
Protocol
Representative Results
Discussion
대규모 관리 데이터 세트를 사용한 회고적 분석은 무작위 통제 시험이 실현 가능하지 않을 때 효율적이고 비용 효율적인 대안을 제공합니다. 적절한 데이터 세트는 인구와 관심 변수에 따라 달라지지만 MDR은 메디케어 데이터에서 볼 수있는 연령 제한이없는 매력적인 옵션입니다. 모든 데이터 집합에서는 레이아웃 및 데이터 사전에 대해 잘 알고 있어야 합니다. 전체 데이터가 캡처되고 데이터가 …
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
이 간행물에 보고된 연구는 수상 번호 UL1 TR002345의 밑에 건강의 국가 학회의 전진 번역 과학을 위한 국가 센터에 의해 지원되었습니다. 이 내용은 전적으로 저자의 책임이며 반드시 국립 보건원의 공식 견해를 나타내는 것은 아닙니다.
면책 조항 : 또한,이 문서에 표현 된 견해는 저자의 견해이며 미국 정부, 미국 국방부 (DoD) 또는 미국 국방부의 어떤 식으로든 대표되는 것으로 해석되어서는 안됩니다. 육군. 특정 제품 또는 과학 기기의 식별은 과학적 노력의 필수적인 부분으로 간주되며 저자, DoD 또는 구성 요소 기관의 보증 또는 묵시적 보증을 구성하지 않습니다.
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).
