Probabilidade inversa de ponderação do tratamento (Escore de propensão) utilizando o Repositório de Dados do Sistema De Saúde Militar e o Índice Nacional de Óbitos
Summary
Quando os ensaios clínicos randomizados controlados não são viáveis, uma fonte abrangente de dados de cuidados de saúde, como o Repositório de Dados do Sistema De Saúde Militar, oferece uma alternativa atraente para análises retrospectivas. A incorporação de dados de mortalidade do índice nacional de óbitos e o equilíbrio das diferenças entre grupos que usam ponderação de propensão ajudam a reduzir os vieses inerentes aos projetos retrospectivos.
Abstract
Quando os ensaios clínicos randomizados controlados não são viáveis, estudos retrospectivos usando big data fornecem uma alternativa eficiente e econômica, embora estejam em risco de viés de seleção de tratamento. Viés de seleção de tratamento ocorre em um estudo não randomizado quando a seleção do tratamento é baseada em características pré-tratamento que também estão associadas ao desfecho. Essas características pré-tratamento, ou confundidores, podem influenciar a avaliação do efeito de um tratamento no resultado. Os escores de propensão minimizam esse viés equilibrando os conhecidos confundidores entre os grupos de tratamento. Existem algumas abordagens para a realização de análises de escore de propensão, incluindo estratificação pelo escore de propensão, correspondência de propensão e probabilidade inversa de ponderação do tratamento (IPTW). Descrito aqui é o uso do IPTW para equilibrar comorbidades básicas em uma coorte de pacientes dentro do Repositório de Dados do Sistema Militar de Saúde dos EUA (MDR). O MDR é uma fonte de dados relativamente ideal, pois fornece uma coorte contida na qual informações quase completas sobre serviços de internação e ambulatório estão disponíveis para beneficiários elegíveis. Descrito abaixo está o uso do MDR complementado com informações do índice nacional de óbitos para fornecer dados de mortalidade robustos. Também são fornecidas sugestões para o uso de dados administrativos. Finalmente, o protocolo compartilha um código SAS para o uso do IPTW para equilibrar os fundadores conhecidos e traçar a função de incidência cumulativa para o resultado do interesse.
Introduction
Ensaios randomizados controlados por placebo são o projeto de estudo mais forte para quantificar a eficácia do tratamento, mas nem sempre são viáveis devido a requisitos de custo e tempo ou falta de equipoise entre os grupos de tratamento1. Nesses casos, um projeto retrospectivo de coorte usando dados administrativos em larga escala (“big data”) muitas vezes fornece uma alternativa eficiente e econômica, embora a falta de randomização introduz viés de seleção de tratamento2. Viés de seleção de tratamento ocorre em estudos não randomizados quando a decisão do tratamento depende de características pré-tratamento que estão associadas ao resultado de interesse. Essas características são conhecidas como fatores de confusão.
Como os escores de propensão minimizam esse viés equilibrando os conhecidos confundidores entre grupos de tratamento, eles se tornaram cada vez mais populares3. Os escores de propensão têm sido usados para comparar abordagens cirúrgicas4 e regimes médicos5. Recentemente, usamos uma análise de propensão de dados do Repositório de Dados do Sistema De Saúde Militar dos Estados Unidos (MDR) para avaliar o efeito das estatinas na prevenção primária de desfechos cardiovasculares com base na presença e gravidade do cálcio da artéria coronária6.
O MDR, utilizado com menos frequência do que os conjuntos de dados medicare e va para fins de pesquisa, contém informações abrangentes de reclamações administrativas e médicas de serviços de internação e ambulatoriais fornecidos para militares de serviço ativo, aposentados e outros beneficiários de saúde do Departamento de Defesa (DoD) e seus dependentes. O banco de dados inclui serviços prestados em todo o mundo em instalações de tratamento militar dos EUA ou em instalações civis faturadas ao DoD. O banco de dados inclui dados completos da farmácia desde 1º de outubro de 2001. Os dados laboratoriais estão disponíveis a partir de 2009, mas limitam-se apenas a instalações de tratamento militar. Dentro do MDR, as coortes foram definidas com métodos que incluem o uso de códigos de diagnóstico (por exemplo, diabetes mellitus7)ou códigos de procedimento (por exemplo, cirurgia artroscópica8). Alternativamente, uma coorte de beneficiários elegíveis definidos externamente, como um registro, pode ser combinada com o MDR para obter dados de linha de base e acompanhamento9. Ao contrário do Medicare, o MDR inclui pacientes de todas as idades. Também é menos tendencioso em relação aos homens do que o banco de dados va, uma vez que inclui dependentes. O acesso ao MDR é limitado, no entanto. Geralmente, apenas os investigadores que são membros do Sistema Militar de Saúde podem solicitar acesso, análogo aos requisitos para uso do banco de dados va. Pesquisadores não governamentais que buscam acesso aos dados dos Sistemas De Saúde Militar devem fazê-lo por meio de um acordo de compartilhamento de dados a supervisão de um patrocinador do governo.
Ao usar qualquer conjunto de dados administrativos, é importante ter em mente as limitações, bem como os pontos fortes da codificação administrativa. A sensibilidade e especificidade do código podem variar com base no diagnóstico relacionado, seja um diagnóstico primário ou secundário ou se é um arquivo de internação ou ambulatorial. Os códigos de internação para infarto agudo do miocárdio são geralmente relatados com precisão com valores preditivos positivos acima de 90%10,mas o uso de tabaco é muitas vezes subestimado11. Essa subcodificação pode ou não ter um efeito significativo sobre os resultados de um estudo12. Além disso, vários códigos para uma determinada condição podem existir com diferentes níveis de correlação com a doença na questão13. Uma equipe de investigação deve realizar uma pesquisa e revisão abrangente da literatura da Classificação Internacional de Doenças, Nona Revisão, Modificação Clínica (ICD-9-CM) e/ou manuais de codificação ICD-10-CM para garantir que os códigos apropriados sejam incluídos no estudo.
Vários métodos podem ser utilizados para melhorar a sensibilidade e precisão dos códigos de diagnóstico para definir as condições de comórbida. Um período apropriado de “olhar para trás” deve ser incluído para estabelecer comorbidades de base. O período de retorno inclui os serviços de internação e ambulatórios prestados antes da entrada do estudo. Um período de um ano pode ser ideal14. Além disso, exigir duas reivindicações separadas em vez de uma única reivindicação pode aumentar a especificidade, enquanto a suplementação de dados de codificação com dados farmacêuticos pode melhorar a sensibilidade15. Selecione auditorias de gráficos manuais em uma parte dos dados podem ser usados para verificar a precisão da estratégia de codificação.
Uma vez que as comorbidades tenham sido definidas e avaliadas para a coorte em questão, um escore de propensão pode ser usado para equilibrar diferenças nas covariates entre os grupos de tratamento. O escore de propensão é derivado da probabilidade de que um paciente seja atribuído a um tratamento baseado em covariadas conhecidas. A contabilização desse tratamento de propensão reduz o efeito que as covariates têm na atribuição do tratamento e ajuda a gerar uma estimativa mais verdadeira do efeito do tratamento no resultado. Embora os escores de propensão não forneçam necessariamente resultados superiores aos modelos multivariados, eles permitem a avaliação de se os grupos tratados e não tratados são comparáveis após a aplicação da pontuação de propensão3. Os investigadores do estudo podem analisar as diferenças padronizadas absolutas em covariates antes e depois da propensão correspondente ou probabilidade inversa de ponderação do tratamento (IPTW) para garantir que os fundadores conhecidos tenham sido equilibrados entre os grupos. Importante, os confundidores desconhecidos não podem ser equilibrados, e um deve estar ciente do potencial para a confusão residual.
Quando executado corretamente, porém, as pontuações de propensão são uma ferramenta poderosa que pode prever e replicar resultados de ensaios clínicos randomizados controlados16. Das técnicas disponíveis de pontuação de propensão, correspondência e IPTW são geralmentepreferidos 17. Dentro do IPTW, os pacientes são ponderados por sua propensão ou probabilidade de tratamento. Os pesos de estabilização são recomendados geralmente sobre pesos crus, quando o aparamento dos pesos puder igualmente ser considerado18,19,20,21.
Uma vez que os grupos de estudo são equilibrados, eles podem ser seguidos até o resultado de interesse. Estudos utilizando dados administrativos podem estar interessados em resultados como taxas de readmissão e análises de tempo para evento. Em estudos interessados em mortalidade, o Repositório de Dados do Sistema Militar de Saúde inclui um campo de status vital que pode ser aumentado ainda mais usando o índice nacional de óbitos (NDI)22,23. O NDI é um banco de dados centralizado de informações de registro de óbitos de escritórios estaduais que é gerenciado pelo Centro de Controle de Doenças. Os investigadores podem solicitar status vital básico e/ou causa específica de morte com base na certidão de óbito.
O protocolo a seguir detalha o processo de realização de um estudo administrativo de banco de dados usando o MDR aumentado com informações de mortalidade do NDI. Ele detalha o uso do IPTW para equilibrar as diferenças de base entre dois grupos de tratamento, incluindo código SAS e saída de exemplo.
Protocol
Representative Results
Discussion
Análises retrospectivas usando grandes conjuntos de dados administrativos fornecem uma alternativa eficiente e econômica quando ensaios clínicos randomizados controlados não são viáveis. O conjunto de dados apropriado dependerá da população e das variáveis de interesse, mas o MDR é uma opção atraente que não tem as restrições de idade vistas com dados do Medicare. Com qualquer conjunto de dados, é importante estar intimamente familiarizado com seu layout e dicionário de dados. Os cuidados devem ser toma…
Disclosures
The authors have nothing to disclose.
Acknowledgements
A pesquisa relatada nesta publicação foi apoiada pelo Centro Nacional de Ciências Translacionais Avançadas dos Institutos Nacionais de Saúde o Prêmio Número UL1 TR002345. O conteúdo é de responsabilidade exclusiva dos autores e não representa necessariamente as opiniões oficiais dos Institutos Nacionais de Saúde.
Aviso: Além disso, as opiniões expressas neste artigo são as do autor apenas e não devem ser interpretadas para representar de forma alguma as do Governo dos Estados Unidos, do Departamento de Defesa dos Estados Unidos (DoD) ou do Departamento de Estados Unidos Exército. A identificação de produtos específicos ou instrumentação científica é considerada parte integrante do esforço científico e não constitui endosso ou endosso implícito por parte do autor, DoD, ou qualquer agência componente.
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).
