Name: inverse probability of treatment weighting (propensity score) using the military health system data repository and national death index
Uploaded: 2020-01-08T12:00:00
Description: Watch this Scientific Journal Video about Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index at JoVE.com

La recherche rapportée dans cette publication a été soutenue par le National Center for Advancing Translational Sciences des National Institutes of Health sous le numéro de prix UL1 TR002345. Le contenu est uniquement de la responsabilité des auteurs et ne représente pas nécessairement les vues officielles des National Institutes of Health.
Avertissement: En outre, les opinions exprimées dans cet article sont celles de l'auteur seulement et ne doivent pas être interprétées comme représentant en aucune façon celles du gouvernement des États-Unis, du Département de la Défense des États-Unis (DoD) ou du Département des États-Unis du Armée. L'identification de produits spécifiques ou d'instruments scientifiques est considérée comme faisant partie intégrante de l'effort scientifique et ne constitue pas une approbation ou une approbation implicite de la part de l'auteur, du DoD, ou d'un organisme constituant.

Le protocole suivant suit les lignes directrices de nos comités institutionnels d'éthique humaine.
1. Définir la cohorte
<ol><li>Déterminer et définir clairement les critères d'inclusion et d'exclusion de la cohorte prévue à l'aide d'un registre ou de 2) points de données qui peuvent être extraits du MDR, comme les codes administratifs pour les diagnostics ou les procédures (c.-à-d. tous les patients ayant plus de deux diagnostics ambulatoires ou un diagnostic de fibrillation aur...

<ol>
	<li>Concato, J., Shah, N., Horwitz, R. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Randomized,+controlled+trials,+observational+studies,+and+the+hierarchy+of+research+designs.">Randomized, controlled trials, observational studies, and the hierarchy of research designs.</a> New England Journal of Medicine. 342 (25), 1887-1892 (2000).</li><li>Austin, P. C., Platt, R. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Survivor+treatment+bias,+treatment+selection+bias,+and+propensity+scores+in+observational+research.">Survivor treatment bias, treatment selection bias, and propensity scores in observational research.</a> Journal of Clinical Epidemiology. 63 (2), 136-138 (2010).</li><li>Sturmer, T., Wyss, R., Glynn, R. J., Brookhart, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Propensity+scores+for+confounder+adjustment+when+assessing+the+effects+of+medical+interventions+using+nonexperimental+study+designs.">Propensity scores for confounder adjustment when assessing the effects of medical interventions using nonexperimental study designs.</a> Journal of Internal Medicine. 275 (6), 570-580 (2014).</li><li>Schermerhorn, M. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Long-Term+Outcomes+of+Abdominal+Aortic+Aneurysm+in+the+Medicare+Population.">Long-Term Outcomes of Abdominal Aortic Aneurysm in the Medicare Population.</a> New England Journal of Medicine. 373 (4), 328-338 (2015).</li><li>Williams, R. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Propensity-Matched+Analysis+Between+Standard+Versus+Tapered+Oral+Vancomycin+Courses+for+the+Management+of+Recurrent+Clostridium+difficile+Infection.">A Propensity-Matched Analysis Between Standard Versus Tapered Oral Vancomycin Courses for the Management of Recurrent Clostridium difficile Infection.</a> Open Forum Infectious Diseases. 4 (4), (2017).</li><li>Mitchell, J. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Impact+of+Statins+on+Cardiovascular+Outcomes+Following+Coronary+Artery+Calcium+Scoring.">Impact of Statins on Cardiovascular Outcomes Following Coronary Artery Calcium Scoring.</a> Journal of the American College of Cardiology. 72 (25), 3233-3242 (2018).</li><li>Rush, T., McGeary, M., Sicignano, N., Buryk, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+plateau+in+new+onset+type+1+diabetes:+Incidence+of+pediatric+diabetes+in+the+United+States+Military+Health+System.">A plateau in new onset type 1 diabetes: Incidence of pediatric diabetes in the United States Military Health System.</a> Pediatric Diabetes. 19 (5), 917-922 (2018).</li><li>Rhon, D. I., Greenlee, T. A., Marchant, B. G., Sissel, C. D., Cook, C. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comorbidities+in+the+first+2+years+after+arthroscopic+hip+surgery:+substantial+increases+in+mental+health+disorders,+chronic+pain,+substance+abuse+and+cardiometabolic+conditions.">Comorbidities in the first 2 years after arthroscopic hip surgery: substantial increases in mental health disorders, chronic pain, substance abuse and cardiometabolic conditions.</a> British Journal of Sports Medicine. , (2018).</li><li>Mitchell, J., Paisley, R., Moon, P., Novak, E., Villines, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Coronary+Artery+Calcium+Score+and+Long-term+Risk+of+Death,+Myocardial+Infarction+and+Stroke:+The+Walter+Reed+Cohort+Study.">Coronary Artery Calcium Score and Long-term Risk of Death, Myocardial Infarction and Stroke: The Walter Reed Cohort Study.</a> Journal of the American College of Cardiology: Cardiovascular Imaging. , (2017).</li><li>McCormick, N., Lacaille, D., Bhole, V., Avina-Zubieta, J. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Validity+of+myocardial+infarction+diagnoses+in+administrative+databases:+a+systematic+review.">Validity of myocardial infarction diagnoses in administrative databases: a systematic review.</a> PLoS ONE. 9 (3), e92286 (2014).</li><li>Huo, J., Yang, M., Tina Shih, Y. -. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sensitivity+of+Claims-Based+Algorithms+to+Ascertain+Smoking+Status+More+Than+Doubled+with+Meaningful+Use.">Sensitivity of Claims-Based Algorithms to Ascertain Smoking Status More Than Doubled with Meaningful Use.</a> Value in Health. , (2017).</li><li>Nayan, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+value+of+complementing+administrative+data+with+abstracted+information+on+smoking+and+obesity:+A+study+in+kidney+cancer.">The value of complementing administrative data with abstracted information on smoking and obesity: A study in kidney cancer.</a> Canadian Urological Association Journal. 11 (6), 167-171 (2017).</li><li>Birman-Deych, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Accuracy+of+ICD-9-CM+codes+for+identifying+cardiovascular+and+stroke+risk+factors.">Accuracy of ICD-9-CM codes for identifying cardiovascular and stroke risk factors.</a> Medical Care. 43 (5), 480-485 (2005).</li><li>Preen, D. B., Holman, C. D., Spilsbury, K., Semmens, J. B., Brameld, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Length+of+comorbidity+lookback+period+affected+regression+model+performance+of+administrative+health+data.">Length of comorbidity lookback period affected regression model performance of administrative health data.</a> Journal of Clinical Epidemiology. 59 (9), 940-946 (2006).</li><li>Rector, T. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Specificity+and+sensitivity+of+claims-based+algorithms+for+identifying+members+of+Medicare+Choice+health+plans+that+have+chronic+medical+conditions.">Specificity and sensitivity of claims-based algorithms for identifying members of Medicare+Choice health plans that have chronic medical conditions.</a> Health Services Research. 39 (6 Pt 1), 1839-1857 (2004).</li><li>Hern&#225;n, M. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Observational+studies+analyzed+like+randomized+experiments:+an+application+to+postmenopausal+hormone+therapy+and+coronary+heart+disease.">Observational studies analyzed like randomized experiments: an application to postmenopausal hormone therapy and coronary heart disease.</a> Epidemiology (Cambridge, Mass.). 19 (6), 766-779 (2008).</li><li>Austin, P. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+relative+ability+of+different+propensity+score+methods+to+balance+measured+covariates+between+treated+and+untreated+subjects+in+observational+studies.">The relative ability of different propensity score methods to balance measured covariates between treated and untreated subjects in observational studies.</a> Medical Decision Making. 29 (6), 661-677 (2009).</li><li>Robins, J. M., Hernan, M. A., Brumback, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Marginal+structural+models+and+causal+inference+in+epidemiology.">Marginal structural models and causal inference in epidemiology.</a> Epidemiology. 11 (5), 550-560 (2000).</li><li>Robins, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Marginal+structural+models.">Marginal structural models.</a> 1997 Proceedings of the American Statistical Association, section on Bayesian statistical science. , 1-10 (1998).</li><li>Thoemmes, F., Ong, A. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Primer+on+Inverse+Probability+of+Treatment+Weighting+and+Marginal+Structural+Models.">A Primer on Inverse Probability of Treatment Weighting and Marginal Structural Models.</a> Emerging Adulthood. 4 (1), 40-59 (2016).</li><li>Xu, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Use+of+stabilized+inverse+propensity+scores+as+weights+to+directly+estimate+relative+risk+and+its+confidence+intervals.">Use of stabilized inverse propensity scores as weights to directly estimate relative risk and its confidence intervals.</a> Value in Health: the Journal of the International Society for Pharmacoeconomics and Outcomes Research. 13 (2), 273-277 (2010).</li><li>Cowper, D. C., Kubal, J. D., Maynard, C., Hynes, D. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+primer+and+comparative+review+of+major+US+mortality+databases.">A primer and comparative review of major US mortality databases.</a> Annals of Epidemiology. 12 (7), 462-468 (2002).</li><li>Skopp, N. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluation+of+a+methodology+to+validate+National+Death+Index+retrieval+results+among+a+cohort+of+U.S.+service+members.">Evaluation of a methodology to validate National Death Index retrieval results among a cohort of U.S. service members.</a> Annals of epidemiology. 27 (6), 397-400 (2017).</li><li>Buck, C. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> 2015 ICD-9-CM for Hospitals, Volumes 1, 2, &#38; 3, Professional Edition. , (2015).</li><li>Buck, C. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> 2018 ICD-10-CM for Hospitals, Professional Edition. , (2018).</li><li>Guo, S., Fraser, W. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Propensity Score Analysis: Statistical Methods and Applications, Second Edition. , (2015).</li><li>Elixhauser, A., Steiner, C., Harris, D. R., Coffey, R. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comorbidity+measures+for+use+with+administrative+data.">Comorbidity measures for use with administrative data.</a> Medical Care. 36 (1), 8-27 (1998).</li><li>Charlson, M. E., Pompei, P., Ales, K. L., MacKenzie, C. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+new+method+of+classifying+prognostic+comorbidity+in+longitudinal+studies:+development+and+validation.">A new method of classifying prognostic comorbidity in longitudinal studies: development and validation.</a> Journal of Chronic Diseases. 40 (5), 373-383 (1987).</li><li>Deyo, R. A., Cherkin, D. C., Ciol, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adapting+a+clinical+comorbidity+index+for+use+with+ICD-9-CM+administrative+databases.">Adapting a clinical comorbidity index for use with ICD-9-CM administrative databases.</a> Journal of Clinical Epidemiology. 45 (6), 613-619 (1992).</li><li>Austin, P. C., Stuart, E. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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.">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.</a> Statistical Methods in Medical Research. 26 (4), 1654-1670 (2017).</li><li>Austin, P. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Balance+diagnostics+for+comparing+the+distribution+of+baseline+covariates+between+treatment+groups+in+propensity-score+matched+samples.">Balance diagnostics for comparing the distribution of baseline covariates between treatment groups in propensity-score matched samples.</a> Statistics in Medicine. 28 (25), 3083-3107 (2009).</li></ol>

Les analyses rétrospectives à l'aide de grands ensembles de données administratives offrent une solution de rechange efficace et rentable lorsque des essais contrôlés randomisés ne sont pas réalisables. L'ensemble de données approprié dépendra de la population et des variables d'intérêt, mais le MDR est une option attrayante qui n'a pas les restrictions d'âge vu avec les données de l'assurance-maladie. Avec n'importe quel ensemble de données, il est important d'être intimement familier avec sa mise en pag...

Les essais randomisés et contrôlés par placebo sont la conception la plus solide de l'étude pour quantifier l'efficacité du traitement, mais ils ne sont pas toujours réalisables en raison des coûts et des délais ou d'un manque d'équipemententre les groupes de traitement1. Dans ces cas, une conception de cohorte rétrospective utilisant des données administratives à grande échelle (« big data ») offre souvent une solution de rechange efficace et rentable, bien que l'absence de randomisation introduise un biais de sélection de traitement2. Le biais de sélection de traitement se produit dans les études non randomisées quand la décision de traitement dépend des caractéristiques de pré-traitement qui sont associées aux résultats de l'intérêt. Ces caractéristiques sont connues sous le nom de facteurs de confusion.
Parce que les scores de propension minimisent ce biais en équilibrant les confusions connues entre les groupes de traitement, ils sont devenus de plus en plus populaires3. Les scores de propension ont été utilisés pour comparer les approches chirurgicales4 et les régimes médicaux5. Récemment, nous avons utilisé une analyse de propension des données du dépôt de données du système de santé militaire des États-Unis (MDR) pour évaluer l'effet des statines dans la prévention primaire des résultats cardio-vasculaires basé sur la présence et la sévérité du calcium d'artère coronaire6.
Le MDR, utilisé moins fréquemment que les ensembles de données Medicare et VA à des fins de recherche, contient des informations complètes sur les réclamations administratives et médicales des services hospitaliers et ambulatoires fournis pour les militaires en service actif, les retraités, et d'autres bénéficiaires du ministère de la Défense (DoD) de soins de santé et leurs personnes à charge. La base de données comprend des services fournis dans le monde entier dans des installations de traitement militaire des États-Unis ou dans des installations civiles facturées au ministère de la Justice. La base de données comprend des données complètes sur les pharmacies depuis le 1er octobre 2001. Les données de laboratoire sont disponibles à partir de 2009, mais ne sont limitées qu'aux installations de traitement militaire. Au sein du MDR, les cohortes ont été définies avec des méthodes, y compris l'utilisation de codes de diagnostic (p. ex., diabète sucré7) ou de codes de procédure (p. ex., chirurgie arthroscopique8). Alternativement, une cohorte externe de bénéficiaires admissibles, comme un registre, peut être jumelée au MDR pour obtenir des données de base et de suivi9. Contrairement à l'assurance-maladie, le MDR comprend les patients de tous âges. Il est également moins biaisé envers les hommes que la base de données VA car il comprend les personnes à charge. L'accès au MDR est toutefois limité. En général, seuls les enquêteurs qui sont membres du Système de santé militaire peuvent demander l'accès, ce qui est analogue aux exigences d'utilisation de la base de données de l'AV. Les chercheurs non gouvernementaux qui cherchent à accéder aux données des systèmes de santé militaires doivent le faire dans le cadre d'une entente de partage de données sous la supervision d'un parrain gouvernemental.
Lors de l'utilisation d'un ensemble de données administratives, il est important de garder à l'esprit les limites ainsi que les forces du codage administratif. La sensibilité et la spécificité du code peuvent varier en fonction du diagnostic connexe, qu'il s'agisse d'un diagnostic primaire ou secondaire, ou qu'il s'agisse d'un dossier d'hospitalisation ou de consultation externe. Les codes d'hospitalisation pour l'infarctus aigu du myocarde sont généralement rapportés avec précision avec des valeurs prédictives positives de plus de 90 %10,mais l'usage du tabac est souvent sous-codé11. Un tel sous-codage peut ou non avoir un effet significatif sur les résultats d'une étude12. En outre, plusieurs codes pour une condition donnée peuvent exister avec des niveaux variables de corrélation à la maladie dans la question13. Une équipe d'enquête devrait effectuer une recherche et un examen complets de la classification internationale des maladies, de la neuvième révision, de la modification clinique (ICD-9-CM) et/ou des manuels de codage de la CIM-10-CM pour s'assurer que les codes appropriés sont inclus dans l'étude.
Plusieurs méthodes peuvent être employées pour améliorer la sensibilité et l'exactitude des codes diagnostiques pour définir les conditions comorbides. Une période appropriée de « retour en arrière » devrait être incluse pour établir les comorbidités de base. La période de retour comprend les services d'hospitalisation et de consultation externe fournis avant l'entrée à l'étude. Une période d'un an peut être optimale14. En outre, exiger deux revendications distinctes au lieu d'une seule revendication peut augmenter la spécificité, tandis que la complétance des données de codage avec des données pharmaceutiques peut améliorer la sensibilité15. Sélectionnez des audits manuels sur une partie des données peuvent être utilisés pour vérifier l'exactitude de la stratégie de codage.
Une fois que les comorbidités ont été définies et évaluées pour la cohorte en question, un score de propension peut être utilisé pour équilibrer les différences dans les covariates entre les groupes de traitement. Le score de propension est dérivé de la probabilité qu'un patient soit affecté à un traitement basé sur des covariables connues. La comptabilisation de ce traitement de propension réduit l'effet que les covariates ont sur l'affectation de traitement et aide à générer une estimation plus vraie de l'effet de traitement sur les résultats. Bien que les scores de propension ne donnent pas nécessairement des résultats supérieurs aux modèles multivariés, ils permettent d'évaluer si les groupes traités et non traités sont comparables après l'application du score de propension3. Les chercheurs de l'étude peuvent analyser les différences standardisées absolues dans les covariates avant et après l'appariement de la propension ou la probabilité inverse de pondération du traitement (IPTW) pour s'assurer que les confusions connues ont été équilibrées entre les groupes. Fait important, les confusions inconnues peuvent ne pas être équilibrées, et il faut être conscient du potentiel de confusion résiduelle.
Lorsqu'ils sont exécutés correctement, cependant, les scores de propension sont un outil puissant qui peut prédire et reproduire les résultats des essais contrôlés randomisés16. Parmi les techniques de score de propension disponibles, l'appariement et l'IPTW sont généralement préférés17. Au sein de l'IPTW, les patients sont pondérés en fonction de leur propension ou de leur probabilité de traitement. Les poids stabilisateurs sont généralement recommandés sur les poids bruts, tandis que l'élagage des poids peut également être considéré comme18,19,20,21.
Une fois que les groupes d'étude sont équilibrés, ils peuvent être suivis jusqu'au résultat de l'intérêt. Les études utilisant des données administratives peuvent être intéressées par des résultats tels que les taux de réadmission et les analyses de temps à événement. Dans les études portant sur la mortalité, le Dépôt de données du système de santé militaire comprend un champ pour l'état vital qui peut être encore augmenté en utilisant l'indice national de mortalité (NDI)22,23. Le NDI est une base de données centralisée des informations sur les dossiers de décès des bureaux de l'État qui est gérée par le Center for Disease Control. Les enquêteurs peuvent demander l'état vital de base et/ou la cause précise du décès en se fondant sur le certificat de décès.
Le protocole suivant détaille le processus de réalisation d'une étude de base de données administrative à l'aide du MDR, complété par des informations sur la mortalité de l'IND. Il détaille l'utilisation de l'IPTW pour équilibrer les différences de base entre deux groupes de traitement, y compris le code SAS et la sortie de l'exemple.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>CD Burner (for NDI Request)</td>
			<td></td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>Computer</td>
			<td></td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>Putty.exe</td>
			<td>Putty.org</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>SAS 9.4</td>
			<td>SAS Institute Cary, NC</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>WinSCP or other FTP software</td>
			<td><a href="https://winscp.net/eng/index.php" target="_blank">https://winscp.net/eng/index.php</a></td>
			<td></td>
			<td></td>
		</tr>
	</tbody>
</table>

inverse probability of treatment weighting (propensity score) using the military health system data repository and national death index

Lorsque des essais contrôlés randomisés ne sont pas réalisables, les études rétrospectives utilisant des données volumineuses constituent une solution de rechange efficace et rentable, bien qu'elles soient à risque de biais de sélection du traitement. Le biais de sélection de traitement se produit dans une étude non randomisée quand la sélection de traitement est basée sur des caractéristiques de pré-traitement qui sont également associées aux résultats. Ces caractéristiques de pré-traitement, ou les confusions, peuvent influencer l'évaluation de l'effet d'un traitement sur les résultats. Les scores de propension minimisent ce biais en équilibrant les confusions connues entre les groupes de traitement. Il existe quelques approches pour effectuer des analyses de score de propension, y compris la stratification par le score de propension, l'appariement de la propension et la probabilité inverse de pondération du traitement (IPTW). Décrit ici est l'utilisation de l'IPTW pour équilibrer les comorbidités de base dans une cohorte de patients au sein du dépôt de données du système de santé militaire des États-Unis (MDR). Le MDR est une source de données relativement optimale, car il fournit une cohorte contenue dans laquelle des renseignements presque complets sur les services aux patients hospitalisés et externes sont disponibles pour les bénéficiaires admissibles. L'utilisation du MDR, complétée par des renseignements tirés de l'indice national de mortalité, est décrite ci-dessous. Sont également fournies des suggestions pour l'utilisation des données administratives. Enfin, le protocole partage un code SAS pour l'utilisation de l'IPTW pour équilibrer les facteurs de confusion connus et tracer la fonction d'incidence cumulative pour le résultat de l'intérêt.

À la fin de l'IPTW, des tableaux ou des parcelles des différences standardisées absolues peuvent être générés à l'aide du code macro stddiff ou du code macro asdplot, respectivement. La figure 1 montre un exemple d'équilibrage approprié dans une grande cohorte de 10 000 participants utilisant la macro asdplot. Après l'application du score de propension, les différences standardisées absolues ont été réduites de manière significative. Le seuil...

Watch this Scientific Journal Video about Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index at JoVE.com

Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index

Lorsque des essais contrôlés randomisés ne sont pas réalisables, une source complète de données sur les soins de santé comme le Dépôt de données du système de santé militaire constitue une solution de rechange intéressante pour les analyses rétrospectives. L'intégration des données sur la mortalité de l'indice national de mortalité et l'équilibre entre les groupes utilisant la pondération de la propension aident à réduire les biais inhérents aux conceptions rétrospectives.

Probabilité inverse de pondération du traitement (score de propension) à l'aide du référentiel de données du système de santé militaire et de l'indice national de décès

When randomized controlled trials are not feasible, retrospective studies using big data provide an efficient and cost-effective alternative, though they ...

Dans le passé, nous avons utilisé la base de données militaire sur les soins de santé pour aider à déterminer quels patients bénéficieraient le plus du traitement par statine pour aider à réduire leur risque de crise cardiaque future. Notre protocole offre une feuille de route à tout fournisseur médical qui est intéressé à utiliser le Big Data pour répondre à leurs propres questions cliniques et peut être appliqué à un nombre très étendu et presque illimité de sujets. Après avoir obtenu l’approbation de la commission d’examen institutionnel, remplissez une demande d’entente de partage de données, en prenant soin de préciser les champs de données et les fichiers demandés sur la feuille de travail sur les extractions de DRT MDR.Spécifiez si l’équipe demande un analyste de données, fournissez les données brutes, ou si l’équipe accédera directement au MDR et si la demande est pour une traction de données non-temps ou si des tractions régulières sont demandées quotidiennement, mensuellement ou chaque année. Pour accéder directement au MDR, remplissez la demande d’autorisation MDR dans les formulaires MDR-CS-2875. Lorsque vous accédez directement au MDR, suivez les instructions d’accès et d’utilisation du MDR, y compris les exigences logicielles et les programmes SAS par exemple qui sont disponibles dans le guide des utilisateurs MDR et le guide fonctionnel MDR.Pour obtenir des données supplémentaires sur les bénéficiaires du DMR pour votre cohorte, acquérez les fichiers VM6 à partir du serveur et fusionnez avec votre fichier de cohorte. Utilisez différents noms variables dans le tirage de données VM6 et les fichiers de cohorte pour les noms des patients et les dates de naissance pour aider à vérifier ultérieurement les erreurs après la fusion. Comme les entrées de base de données ne sont jamais complètement exemptes d’erreur, utilisez le code pour préformer les vérifications d’erreur après chaque étape majeure, en plus de vérifier le journal du programme et la sortie pour toutes les préoccupations potentielles.Lorsque vous comparez les noms du fichier de cohorte avec le fichier VM6, ne faire correspondre que les trois premières lettres pour améliorer l’efficacité et réduire les fausses erreurs qui peuvent survenir avec des différences d’orthographe ou d’espacement entre les fichiers. Examinez ensuite le fichier de données d’erreur, effectuant un examen manuel du dossier de santé au besoin, pour vérifier d’autres erreurs préoccupantes. Pour l’extraction des données pertinentes, obtenez les données sur la race et le sexe à partir des fichiers bénéficiaires VM6, fusionnez cette date avec le fichier de cohorte et vérifiez les erreurs comme nous venons de le démontrer.Obtenez des données de décès à partir du fichier maître du décès, fusionnez les données avec le fichier de cohorte et vérifiez les erreurs. Ensuite, obtenez des fichiers de données supplémentaires au besoin pour l’analyse. Pour la fusion des données et la construction de fichiers somatifs, extraire les comorbidités de base à l’aide des codes ICD-9-CM ou ICD-10-CM de la période précédant la date d’index.S’assurer que les patients étaient admissibles au système de soins de santé militaire au cours de la période de référence, tel que vérifié dans le dossier du bénéficiaire du VM6. Recherchez les codes de diagnostic de base dans les dossiers ambulatoires et/ou hospitaliers afin d’établir les comorbidités de base au cours de la période de référence de 12 mois précédant la date d’index. Si vous utilisez les comorbidités d’Elixhauser, utilisez le logiciel disponible à partir de la base de données du projet de coût et d’utilisation des soins de santé, en vous assurant de modifier les noms des variables et des fichiers de diagnostic au besoin.Pour fixer une date de fin d’étude pour tous les patients comme une coupure pour le suivi pour les patients qui n’ont pas démontré le résultat de l’intérêt, recherchez le dossier du bénéficiaire VM6 pour assurer l’admissibilité aux soins de santé jusqu’à la date de fin de l’étude. S’il est important de limiter l’étude aux utilisateurs actifs du système de soins de santé, indépendamment de l’admissibilité, alors déterminez le dernier contact de soins de santé dans les fichiers de données et censurez les patients à cette date. Lorsque toutes les informations nécessaires ont été acquises, générer un identificateur aléatoire pour chaque patient en utilisant Ranuni.Modéliser la probabilité de traitement utiliser la progression logistique pour calculer les poids à partir de la probabilité prévue. Stabilisez ensuite le score de propension en divisant le score par le poids moyen. Pour vérifier l’équilibrage après l’application de la probabilité inverse de traitement pondération de la macro différenciation standard simplifie l’informatique normalisée différences moyennes pour les co-variances avant et après la pondération dans SAS.Pour générer une parcelle de fonction d’incidence cumulative dans PROC PHREG, référez-vous à un fichier covarié pour spécifier les valeurs covariées à utiliser lors de la génération de la parcelle dans la syntaxe PROC PHREG, utilisez l’énoncé de poids pour spécifier la variable normalisée de score de propension et utilisez l’instruction de référence pour spécifier les valeurs des covariés de base afin de tracer la fonction d’incidence cumulative. Spécifiez ensuite les strates à utiliser pour la parcelle à l’aide de ROWID. Ici, un exemple d’équilibre approprié dans une grande cohorte de 10000 participants en utilisant la macro de parcelle de différence standardisée absolue comme indiqué.Après l’application du score de propension, les différences normalisées absolues ont été réduites de manière significative. Ici, les résultats infructueux de la tentative d’équilibrer les covariés dans une cohorte de 100 participants peuvent être observés. Dans cet exemple, proc PHREG avec des poids normalisés de score de propension ont été utilisés pour générer une parcelle cumulative de fonction d’incidence, révélant que dans cette analyse, le groupe témoin non traité a démontré un plus grand nombre d’événements et a montré une survie comparativement pire que le groupe traité.Le MDR comprend les bénéficiaires du ministère de la Défense, y compris les retraités et les membres de la famille. Il ne se limite donc pas aux patients de plus de 65 ans, et il ne se limite pas aux anciens combattants. Ce protocole fournit un point de départ pour l’utilisation du MDR.Et la vue d’ensemble de la technique statistique peut aider à éliminer les biais qui peuvent être intrinsèques dans ce type de recherche.

Research

JoVE Journal

Medicine

Inverse Probability of Treatment Weighting (Propensity Score) using the Military Health System Data Repository and National Death Index

Use of Animal Model of Sepsis to Evaluate Novel Herbal Therapies

L&#39;utilisation de modèle animal de sepsis pour évaluer de nouvelles thérapies à base de plantes

Sepsis refers to a systemic inflammatory response syndrome resulting from a microbial infection. It has been routinely simulated in animals by several ...

Recherche

Médecine

Intraoperative Detection of Subtle Endometriosis: A Novel Paradigm for Detection and Treatment of Pelvic Pain Associated with the Loss of Peritoneal Integrity

Détection peropératoire de l&#39;endométriose subtil: un nouveau paradigme pour la détection et le traitement de la douleur pelvienne associée à la perte de l&#39;intégrité péritonéale

Endometriosis is a  common disease affecting 40 to 70% of reproductive-aged women with chronic  pelvic pain (CPP) and/or infertility. The purpose of this ...

Probe-based Confocal Laser Endomicroscopy of the Urinary Tract: The Technique

Basée sur sonde endomicroscopie confocale laser de l&#39;appareil urinaire: La Technique

Probe-based  confocal laser endomicroscopy (CLE) is an emerging optical imaging technology  that enables real-time in vivo microscopy of mucosal surfaces ...

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Identification des modèles de covariance spatiale liés à la maladie en utilisant des données de neuro-imagerie

The scaled subprofile model (SSM)1-4 is a multivariate PCA-based algorithm that identifies major sources of variation in patient and control group brain ...

Noninvasive Intratracheal Intubation to Study the Pathology and Physiology of Mouse Lung

Non invasive Intratrachéal intubation pour étudier la pathologie et la physiologie des souris poumon

The use of a model that mimics the condition of lung diseases in humans is critical for studying the pathophysiology and/or etiology of a particular ...

Human Vastus Lateralis Skeletal Muscle Biopsy Using the Weil-Blakesley Conchotome

Human Vastus Lateralis Skeletal Muscle Biopsy Using the Weil-Blakesley Conchotome

Humain<em&gt; Vaste externe</em&gt; Biopsie de muscle squelettique Utilisation de la Weil-Blakesley Conchotome

Percutaneous muscle biopsy using the Weil-Blakesley conchotome is well established in both clinical and research practice. It is a safe, effective and ...

A Method of Trigonometric Modelling of Seasonal Variation Demonstrated with Multiple Sclerosis Relapse Data

Une méthode de modélisation trigonométrique de variation saisonnière démontrée avec la sclérose en plaques Relapse données

This report describes a novel Stata-based application of trigonometric regression modelling to  55 years of multiple sclerosis relapse data from 46 ...

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Analyse du réseau de foramen ovale électrodes Recordings en résistant aux médicaments épilepsies temporales patients

Approximately 30% of epilepsy patients are refractory to antiepileptic drugs. In these cases, surgery is the only alternative to eliminate/control ...

Drug Repurposing Hypothesis Generation Using the "RE:fine Drugs" System

Système: Drug Repurposing Hypothesis Generation Utilisation de la &quot;Drogues fines RE&quot;

The promise of drug repurposing is that existing drugs may be used for new disease indications in order to curb the high costs and time for approval. The ...

Using Retinal Imaging to Study Dementia

À l’aide de l’imagerie rétinienne pour étudier la démence

The retina offers a unique &#8220;window&#8221; to study pathophysiological processes of dementia in the brain, as it is an extension of the central ...