सैन्य स्वास्थ्य प्रणाली डेटा भंडार और राष्ट्रीय मृत्यु सूचकांक का उपयोग करके उपचार भार (प्रवृत्ति स्कोर) की विलोम संभावना
Summary
जब यादृच्छिक नियंत्रित परीक्षण व्यवहार्य नहीं होते हैं, तो सैन्य स्वास्थ्य प्रणाली डेटा भंडार जैसे एक व्यापक स्वास्थ्य देखभाल डेटा स्रोत पूर्वव्यापी विश्लेषणों के लिए एक आकर्षक विकल्प प्रदान करता है। राष्ट्रीय मृत्यु सूचकांक से मृत्यु दर के आंकड़ों को शामिल करना और प्रवृत्ति भार का उपयोग करने वाले समूहों के बीच संतुलन मतभेद पूर्वव्यापी डिजाइनों में निहित पूर्वाग्रहों को कम करने में मदद करता है ।
Abstract
जब यादृच्छिक नियंत्रित परीक्षण व्यवहार्य नहीं होते हैं, तो बड़े डेटा का उपयोग करके पूर्वव्यापी अध्ययन एक कुशल और लागत प्रभावी विकल्प प्रदान करते हैं, हालांकि वे उपचार चयन पूर्वाग्रह के लिए जोखिम में हैं। उपचार चयन पूर्वाग्रह एक गैर-यादृच्छिक अध्ययन में होता है जब उपचार चयन पूर्व-उपचार विशेषताओं पर आधारित होता है जो परिणाम से भी जुड़े होते हैं। ये पूर्व उपचार विशेषताओं, या confounders, परिणाम पर एक उपचार के प्रभाव के मूल्यांकन को प्रभावित कर सकते हैं । प्रवृत्ति स्कोर उपचार समूहों के बीच ज्ञात confounders संतुलन द्वारा इस पूर्वाग्रह को कम करने । प्रवृत्ति स्कोर विश्लेषण करने के लिए कुछ दृष्टिकोण हैं, जिनमें प्रवृत्ति स्कोर द्वारा स्तरीकरण, प्रवृत्ति मिलान, और उपचार भार (आईपीटीडब्ल्यू) की उलटा संभावना शामिल है। यहां वर्णित अमेरिकी सैन्य स्वास्थ्य प्रणाली डेटा भंडार (एमडीआर) के भीतर रोगियों की एक पलटन में बेसलाइन comorbidities संतुलन के लिए IPTW का उपयोग है । एमडीआर एक अपेक्षाकृत इष्टतम डेटा स्रोत है, क्योंकि यह एक निहित पलटन प्रदान करता है जिसमें पात्र लाभार्थियों के लिए पेशेंट और पेशेंट सेवाओं के बारे में लगभग पूरी जानकारी उपलब्ध है। नीचे उल्लिखित एमडीआर का उपयोग राष्ट्रीय मृत्यु सूचकांक से जानकारी के साथ पूरक के लिए मजबूत मृत्यु दर डेटा प्रदान कर रहा है । प्रशासनिक आंकड़ों का उपयोग करने के लिए सुझाव भी प्रदान किए गए हैं। अंत में, प्रोटोकॉल ज्ञात confounders संतुलन और ब्याज के परिणाम के लिए संचयी घटना समारोह की साजिश के लिए IPTW का उपयोग करने के लिए एक SAS कोड साझा करता है ।
Introduction
यादृच्छिक, प्लेसबो-नियंत्रित परीक्षण उपचार की प्रभावकारिता की मात्रा निर्धारित करने के लिए सबसे मजबूत अध्ययन डिजाइन हैं, लेकिन लागत और समय की आवश्यकताओं या उपचार समूहों1के बीच इक्विजियोज़ की कमी के कारण वे हमेशा संभव नहीं होते हैं। इन उदाहरणों में, बड़े पैमाने पर प्रशासनिक डेटा (“बिग डेटा”) का उपयोग करके एक पूर्वव्यापी पलटन डिजाइन अक्सर एक कुशल और लागत प्रभावी विकल्प प्रदान करता है, हालांकि यादृच्छिकता की कमी उपचार चयन पूर्वाग्रह2का परिचय देती है। उपचार चयन पूर्वाग्रह गैर-यादृच्छिक अध्ययनों में होता है जब उपचार निर्णय पूर्व-उपचार विशेषताओं पर निर्भर करता है जो ब्याज के परिणाम से जुड़े होते हैं। इन विशेषताओं को भ्रामक कारकों के रूप में जाना जाता है।
क्योंकि प्रवृत्ति स्कोर उपचार समूहों के बीच ज्ञात confounders संतुलन द्वारा इस पूर्वाग्रह को कम करने, वे तेजी से लोकप्रिय हो गए हैं3। प्रवृत्ति स्कोर शल्य चिकित्सा दृष्टिकोण4 और चिकित्सा आहार5की तुलना करने के लिए इस्तेमाल किया गया है । हाल ही में, हमने कोरोनरी धमनी कैल्शियम6की उपस्थिति और गंभीरता के आधार पर हृदय परिणामों की प्राथमिक रोकथाम में स्टेटिन के प्रभाव का आकलन करने के लिए संयुक्त राज्य अमेरिका सैन्य स्वास्थ्य प्रणाली डेटा भंडार (एमडीआर) से डेटा के एक प्रवृत्ति विश्लेषण का उपयोग किया है।
एमडीआर, अनुसंधान प्रयोजनों के लिए चिकित्सा और VA डेटा सेट की तुलना में कम बार उपयोग किया, सक्रिय कर्तव्य सैंय, सेवानिवृत्त, और अंय रक्षा विभाग (DoD) स्वास्थ्य लाभार्थियों और उनके आश्रितों के लिए प्रदान की पेशेंट और आउट पेशेंट सेवाओं से व्यापक प्रशासनिक और चिकित्सा दावों की जानकारी शामिल है । डेटाबेस में अमेरिकी सैन्य उपचार सुविधाओं या डीओडी को बिल की गई नागरिक सुविधाओं पर दुनिया भर में प्रदान की जाने वाली सेवाएं शामिल हैं । डेटाबेस में 1 अक्टूबर, 2001 से पूरा फार्मेसी डेटा शामिल है। प्रयोगशाला डेटा २००९ से उपलब्ध है, लेकिन केवल सैंय उपचार सुविधाओं तक ही सीमित है । एमडीआर के भीतर, साथियों को निदान कोड (जैसे, मधुमेह मेलिटस7)या प्रक्रिया कोड (जैसे, आर्थ्रोस्कोपिक सर्जरी8)के उपयोग सहित तरीकों के साथ परिभाषित किया गया है। वैकल्पिक रूप से, पात्र लाभार्थियों की बाहरी रूप से परिभाषित पलटन, जैसे रजिस्ट्री, बेसलाइन और अनुवर्ती डेटा9प्राप्त करने के लिए एमडीआर से मिलान किया जा सकता है। मेडिकेयर के विपरीत, एमडीआर में सभी उम्र के रोगी शामिल हैं। यह वीए डेटाबेस की तुलना में पुरुषों के प्रति भी कम पक्षपाती है क्योंकि इसमें आश्रित शामिल हैं। एमडीआर तक पहुंच सीमित है, लेकिन । आम तौर पर, केवल जांचकर्ता जो सैन्य स्वास्थ्य प्रणाली के सदस्य हैं, वे वीए डेटाबेस के उपयोग के लिए आवश्यकताओं के अनुरूप पहुंच का अनुरोध कर सकते हैं। सैन्य स्वास्थ्य प्रणालियों के आंकड़ों तक पहुंच की मांग करने वाले गैर-सरकारी शोधकर्ताओं को सरकारी प्रायोजक की देखरेख में डेटा साझा करने के समझौते के माध्यम से ऐसा करना चाहिए ।
किसी भी प्रशासनिक डेटा सेट का उपयोग करते समय, सीमाओं के साथ-साथ प्रशासनिक कोडिंग की ताकत को ध्यान में रखना महत्वपूर्ण है। कोड की संवेदनशीलता और विशिष्टता संबंधित निदान के आधार पर भिन्न हो सकती है, चाहे वह प्राथमिक या माध्यमिक निदान हो, या चाहे वह पेशेंट या पेशेंट फाइल हो। तीव्र मायोकार्डियल इंफार्क्शन के लिए पेशेंट कोड आम तौर पर 90%10से अधिक सकारात्मक भविष्य कहनेवाला मूल्यों के साथ सटीक रूप से सूचित किए जाते हैं, लेकिन तंबाकू के उपयोग को अक्सर11अंडरकोड किया जाता है । इस तरह के अंडरकोडिंग का अध्ययन केपरिणामों 12पर सार्थक प्रभाव पड़ सकता है या नहीं हो सकता है । इसके अतिरिक्त, किसी दिए गए स्थिति के लिए कई कोड प्रश्न13में रोग के सहसंबंध के अलग-अलग स्तरों के साथ मौजूद हो सकते हैं। एक खोजी दल को एक व्यापक साहित्य खोज और रोग के अंतर्राष्ट्रीय वर्गीकरण, नौवें संशोधन, नैदानिक संशोधन (आईसीडी-9-सेमी) और/या आईसीडी-10-सेमी कोडिंग मैनुअल की समीक्षा करनी चाहिए ताकि यह सुनिश्चित किया जा सके कि उचित कोड अध्ययन में शामिल हैं ।
कोमोर्बिड स्थितियों को परिभाषित करने के लिए नैदानिक कोड की संवेदनशीलता और सटीकता में सुधार करने के लिए कई तरीकों को नियोजित किया जा सकता है। बेसलाइन कोऑर्बिडिटीज स्थापित करने के लिए एक उपयुक्त “लुक-बैक” अवधि शामिल की जानी चाहिए। लुक-बैक पीरियड में स्टडी एंट्री से पहले दी जाने वाली पेशेंट और पेशेंट सेवाएं शामिल हैं । एक वर्ष की अवधि इष्टतम14हो सकती है । इसके अतिरिक्त, एक ही दावे के बजाय दो अलग-अलग दावों की आवश्यकता विशिष्टता में वृद्धि कर सकती है, जबकि दवा डेटा के साथ कोडिंग डेटा का पूरक संवेदनशीलता15में सुधार कर सकता है। डेटा के एक हिस्से पर मैनुअल चार्ट ऑडिट का चयन कोडिंग रणनीति की सटीकता को सत्यापित करने के लिए किया जा सकता है।
एक बार comorbidities परिभाषित किया गया है और सवाल में पलटन के लिए मूल्यांकन किया गया है, एक प्रवृत्ति स्कोर उपचार समूहों के बीच covariates में मतभेदों को संतुलित करने के लिए इस्तेमाल किया जा सकता है । प्रवृत्ति स्कोर इस संभावना से प्राप्त होता है कि एक रोगी को ज्ञात covariates के आधार पर उपचार के लिए सौंपा जाता है। इस प्रवृत्ति उपचार के लिए लेखांकन प्रभाव है कि covariates उपचार असाइनमेंट पर है और परिणाम पर उपचार प्रभाव का एक सच्ची अनुमान उत्पन्न करने में मदद करता है कम कर देता है । जबकि प्रवृत्ति स्कोर जरूरी मॉडल बहुआयामी करने के लिए बेहतर परिणाम प्रदान नहीं करते हैं, वे इस बात का आकलन करने की अनुमति देते हैं कि प्रवृत्ति स्कोर3लागू करने के बाद इलाज और अनुपचारित समूह तुलनीय हैं या नहीं। अध्ययन जांचकर्ताओं से पहले और प्रवृत्ति मिलान या उपचार भार (IPTW) की उलटा संभावना के बाद covariates में पूर्ण मानकीकृत मतभेदों का विश्लेषण कर सकते है सुनिश्चित करने के लिए ज्ञात confounders समूहों के बीच संतुलित किया गया है । महत्वपूर्ण बात, अज्ञात confounders संतुलित नहीं किया जा सकता है, और एक अवशिष्ट confounding के लिए क्षमता के बारे में पता होना चाहिए ।
जब ठीक से निष्पादित किया जाता है, हालांकि, प्रवृत्ति स्कोर एक शक्तिशाली उपकरण है जो यादृच्छिक नियंत्रित परीक्षणों16के परिणामों की भविष्यवाणी और दोहराने कर सकता है। उपलब्ध प्रवृत्ति स्कोर तकनीकों में से, मिलान और आईपीटीडब्ल्यू आम तौर पर17पसंद किए जाते हैं। IPTW के भीतर, रोगियों को उनकी प्रवृत्ति या उपचार के लिए संभावना से भारित कर रहे हैं । वजन को स्थिर करने की सिफारिश आम तौर पर कच्चे वजन पर की जाती है, जबकि वजन की ट्रिमिंग को18,19,20,21भी माना जा सकता है।
एक बार अध्ययन समूहों संतुलित कर रहे हैं, वे ब्याज के परिणाम तक पीछा किया जा सकता है । प्रशासनिक आंकड़ों का उपयोग करने वाले अध्ययन पुनर्मिशन दरों और समय-दर-घटना विश्लेषण जैसे परिणामों में रुचि रखते हैं। मृत्यु दर में रुचि रखने वाले अध्ययनों में, सैन्य स्वास्थ्य प्रणाली डेटा भंडार में महत्वपूर्ण स्थिति के लिए एक क्षेत्र शामिल है जिसे राष्ट्रीय मृत्यु सूचकांक (एनडीआई)22,23का उपयोग करके और बढ़ाया जा सकता है। एनडीआई राज्य कार्यालयों से मृत्यु रिकॉर्ड जानकारी का एक केंद्रीकृत डाटाबेस है जिसे रोग नियंत्रण केंद्र द्वारा प्रबंधित किया जाता है। जांचकर्ता मृत्यु प्रमाण पत्र के आधार पर मूल महत्वपूर्ण स्थिति और/या मृत्यु के विशिष्ट कारण का अनुरोध कर सकते हैं ।
निम्नलिखित प्रोटोकॉल एनडीआई से मृत्यु संबंधी जानकारी के साथ संवर्धित एमडीआर का उपयोग करके प्रशासनिक डाटाबेस अध्ययन करने की प्रक्रिया का विवरण देता है। यह SAS कोड और उदाहरण उत्पादन सहित दो उपचार समूहों के बीच आधारभूत मतभेदों को संतुलित करने के लिए IPTW के उपयोग का विवरण देता है ।
Protocol
Representative Results
Discussion
बड़े प्रशासनिक डेटासेट का उपयोग करके पूर्वव्यापी विश्लेषण एक कुशल और लागत प्रभावी विकल्प प्रदान करते हैं जब यादृच्छिक नियंत्रित परीक्षण व्यवहार्य नहीं होते हैं। उपयुक्त डेटा सेट जनसंख्या और ब्याज …
Disclosures
The authors have nothing to disclose.
Acknowledgements
इस प्रकाशन में रिपोर्ट किए गए शोध को राष्ट्रीय स्वास्थ्य संस्थानों के ट्रांसलेशनल साइंसेज को पुरस्कार संख्या UL1 TR002345 के तहत आगे बढ़ाने के लिए राष्ट्रीय केंद्र द्वारा समर्थित किया गया था । सामग्री पूरी तरह से लेखकों की जिंमेदारी है और जरूरी स्वास्थ्य के राष्ट्रीय संस्थानों के आधिकारिक विचारों का प्रतिनिधित्व नहीं करता है ।
अस्वीकरण: इसके अतिरिक्त, इस लेख में व्यक्त विचार केवल लेखक के हैं और संयुक्त राज्य अमेरिका सरकार, संयुक्त राज्य अमेरिका के रक्षा विभाग (DoD), या संयुक्त राज्य अमेरिका के विभाग के उन लोगों में प्रतिनिधित्व करने के लिए नहीं लगाया जाना चाहिए सेना. विशिष्ट उत्पादों या वैज्ञानिक उपकरणकी पहचान वैज्ञानिक प्रयास का एक अभिन्न हिस्सा माना जाता है और लेखक, DoD, या किसी भी घटक एजेंसी की ओर से समर्थन या निहित समर्थन का गठन नहीं करता है ।
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 |
References
- 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).
