日常診療で治療の割り付けはランダムか？

医師がよく考えて治療を決めている。(はず)

http://www.slideshare.net/kaz_yos/20130921-talktojapanesescientists20130921a

Causal Diagramの説明はこちらを参考

薬剤投与

年齢

Yes/No Yes/No病気の改善?

性別重症度

統計学的な関連は直接薬剤の効果を意味しないAssociation ≠ Causation

相関 ≠ 因果相関 = 因果関係による相関 + 交絡による相関

よく考えて治療を決めた結果...

そのまま比較できない

薬剤投与

年齢

Yes/No Yes/No病気の改善?

性別

制限 (重症度、性別、年齢で絞り込む)

層別化 (いくつかのグループに分けてグループ内で比較)

統計学的な調節(原理的には層別化)

重症度

Restriction

Stratification

Adjustment

Propensity score

薬剤投与

年齢

Yes/No Yes/No病気の改善?

性別

これらを一つにまとめる

重症度

薬剤投与

PS

Yes/No Yes/No病気の改善?

Propensity score

複数の交絡因子がPropensity scoreとして一つにまとめられた。

注) 影響の強い交絡因子はすべて観測されている必要がある。

解釈: 同じような被験者が次に来たときに医師が治療を選ぶ確率

e.g., PS=0.25: このような被験者のうち25%が治療を受ける

以降の図解は有名なSwan-

Ganz cathのデータより

Dr. Frank Harrell. Right heart catheterization datasethttp://biostat.mc.vanderbilt.edu/twiki/bin/view/Main/DataSets

治療じゃない!

治療戦略の一環ということで．．

PS分布

治療群無治療群

PS: 確率なので0から1

合計

Propensity scoreの分布

注)グラフは描き方の関係で足が出ています

Propensity scoreの分布(左右に展開)

治療群

無治療群

縦軸がPS

治療群無治療群縦軸がPS

PS=0.50

PS=0.25

PS=0.75 75%が治療群25%が無治療群

25%が治療群75%が無治療群

薬剤投与

PS

Yes/No Yes/No病気の改善?

Propensity score

PS→薬剤投与の矢印がじゃま。PSを共通原因にしている。

じゃま

じゃまな矢印をなんとかしたい

! 両群のPSが同じところ同士に限定して比べる

! 両群のPS分布の形態をそろえて全体を比べる

治療群無治療群PS 層別化

層1

層2

層3

層5

層4

その層内で比較

PS層別化! 利点

! 分かりやすい

! 好きな効果量を測定(リスク比やリスク差)

! 層ごとに治療効果が異なるか評価できる

! 欠点

! いくつにわけるのか?幅が広すぎないか？

! 一番下と一番上の層は群間のバランスが悪い

治療群無治療群PS 調節

基本的にはモデルを使う層別化。無限に細かい階層内で無治療群、治療群を比較する。

PS調節! 利点

! ソフトウェアでやるのが楽

! 欠点

! 基本的にオッズ比しか出せない

! PSとアウトカムの関係を正しくモデル化する必要性

! PSの違いによる効果の違いをどうモデル化するか？

薬剤投与

PS

Yes/No Yes/No病気の改善?

これらはPSが同じ患者同士しか比べない

PSが同じ患者同士では治療の選択はランダムに起こっていると解釈できる。PSが同じ人の中ではPSは治療選択を予測しない。(定数は相関しない)

治療群無治療群PSマッチング

PS=0.50

PS=0.25

PS=0.75

同じぐらいのPSの治療群と無治療群の被験者を対にしていく。つまり、相方がいないところを切りすてる。

PSマッチング! 利点

! 分かりやすく一番人気。

! Marginal effect (RCTのような解釈)

! 好きな効果量を測定(リスク比やリスク差)

! PSの違いによる効果の違いは無視してもよいし、検討しても良い

! 欠点

! 一部の対象者のデータを捨てることになる

治療群無治療群PS 重みづけ(IPTW) 同じ形になるように対象

者をふくらます。自分のグループの割当確率の逆

数を掛ける。

75%が治療群。1/0.75倍すると全体の大きさ(1)になる。 1人が1.33

人になる。

25%が無治療群。1/0.25倍すると全体の大きさ(1)になる。1人が4

人になる。

25%が治療群。1/0.25

倍すると全体の大きさ(1)になる。 1人が4人

になる。

75%が無治療群。1/0.75倍すると全体の大きさ(1)になる。1人が1.33人になる。

Inverse probability of treatment weight (IPTW)

治療群無治療群

同じ形になるように対象者をふくらます。自分のグループの割当確率の逆数を掛ける。その後、それぞれの群が元の人数になるように圧縮する。治療群には治療群の元々の割合、無治療群には無治療群の元々の割合をかける。

Stabilized inverse probability of treatment

weight (Stabilized IPTW)

PS=0.50

PS=0.25

PS=0.75

PS 重みづけ(S-IPTW)

PS重みづけ(IPTW)! 利点

! Marginal effect (RCTのような解釈)

! コホート全体を治療した時の効果(IPTW)

! 欠点

! 対象者のインフレ。端の方の人が大きくなる

! “コホート全体を治療した場合”というシナリオは有効?

治療群無治療群PS 重みづけ(SMRW)

治療群はそのまま残す(重み1)。無治療群は1/(1-PS)をかけて全体の大きさまでふくらます。さらにPSをかけて、治療群の大きさにそろえる。

Standardized mortality ratio weighting (SMRW)

PS=0.50

PS=0.25

PS=0.75

PS重みづけ(SMRW)! 利点

! Marginal effect (RCTのような解釈)

! 治療群を治療した時の効果(SMRW)

! 欠点

! 対象者のインフレ。無治療群の上端の方の人が大きくなる

薬剤投与

PS

Yes/No Yes/No病気の改善?

これらはPSと薬剤投与の関連を断ち切る

これらの手法によるMatched cohortやPseudo-populationの中ではPSと治療選択の相関がなくなっている。

矢印無し

まとめ! 因果推論は比較することで行われる。

! Counterfactualを比較する。

! 一番理想的なのはランダム化比較試験。

! 観察研究の場合はいろいろ工夫が必要。

スライド: http://www.slideshare.net/kaz_yos/

コード: http://rpubs.com/kaz_yos/ps-rhc