Взвешивание показателя склонности в анализе Кокса PH и выборе ковариат

Относительно взвешивания по шкале склонности (IPTW) при моделировании пропорциональных рисков Кокса для данных о выживаемости от времени к событию:

У меня есть проспективные данные реестра, где мы заинтересованы в том, чтобы посмотреть на эффект лечения от лекарств, которые в большинстве случаев пациенты уже принимали в начале исследования. Поэтому я не уверен, как лучше всего проанализировать данные. Потенциально, некоторые из исходных переменных в значительной степени влияют на лечение , а не наоборот (например , некоторые биомаркеров). Я немного растерялся относительно того, какие ковариаты я должен включить в модель оценки склонности для оценки весов и какие ковариаты я должен включить в качестве ковариат в coxphмодель (если они вообще есть). Любые подсказки в правильном направлении будут полезны! Мне пока не удалось найти никакой литературы по этому вопросу в моделировании CoxPh.

Я думаю, что ковариаты, которые представляют лечение, начатое на начальном этапе, которое (может) повлиять на результат, должны быть включены как ковариаты Кокса PH, но я не уверен в этом.

Как определить, какие переменные должны быть включены в качестве ковариат в модель Кокса, а не использоваться для расчета весов показателя склонности?

Дополнительный вопрос:

Я понимаю наследственную проблему оценки лечебного эффекта определенного вмешательства, которое уже началось - то есть распространено среди пациентов до начала наблюдения. Как в отношении введения систематической ошибки, связанной с изменением во времени риска (например, побочные эффекты, более распространенные в первый год терапии), так и в отношении ковариат, влияющих на лечение. Если я не ошибаюсь - это было предложено как причина расхождения между наблюдением и рандомизацией, что касается сердечно-сосудистых конечных точек и заместительной гормональной терапии. В моем наборе данных, с другой стороны, мы заинтересованы в рассмотрении возможного неблагоприятного эффекта от лечения.

Если я использую корректировку показателя склонности для изучения эффекта лечения среди преобладающих пользователей, то есть уже использующего лекарство до начала наблюдения, в когортных данных, и мы наблюдаем неблагоприятное влияние фармакологической терапии (и это то, что мы искали). Могу ли я исключить возможность переоценки риска, связанного с лечением? Т.е. до тех пор, пока риск значительно повышен, он наиболее "определенно" не защищает?

Я не могу вообразить пример, где этот вид смещения может привести к переоценке риска ассоциации ложного риска в этом контексте.

Теоретически, каждая переменная, которую вы выбираете как часть веса показателя склонности, не должна включаться в модель в качестве ковариат, поскольку взвешивание уже контролировало их потенциальное смешивание. При правильной модели взвешивания вы можете буквально просто смоделировать эффект воздействия.

При этом есть причины, по которым вы можете включить термины в модель:

• «Вдвойне здравые» оценки. Нет никакой причины, за исключением потери точности, что вы не можете использовать переменные как в весовой модели, так и в качестве ковариат. Теоретически, вы защищаете себя от смешения двумя способами (следовательно, эту технику называют «вдвойне надежной»). Имейте в виду, что это только защищает вас от неверной спецификации модели PS или ковариатической модели, давая вам «второй шанс» указать правильную модель, это не волшебное решение всех проблем.
• Несколько оценок интереса. В результате взвешивания исчезают оценки эффекта от ковариат - если вам нужен коэффициент регрессии для переменной, вы захотите включить его как ковариату в шаг CoxPH, а не в модель PS.

Попробуйте найти «вдвойне надежные» и подобные термины в таких журналах, как « Эпидемиология» или «Американский журнал эпидемиологии», а также в биостатистической литературе, и вам следует найти несколько полезных источников.

Важно различать «пострадавших от лечения» и «связанных с лечением». Последние могут включать факторы выбора лечения, такие как те, которые мы пытаемся скорректировать с учетом склонности и / или ковариатной корректировки. «Под воздействием лечения» подразумевает, что ковариаты измеряются после нулевого времени (например, после рандомизации или после начала лечения), что означает, что их следует использовать редко.