Inverse Wahrscheinlichkeit der Behandlungsgewichtung (Propensity Score) mit dem Military Health System Data Repository und dem National Death Index
8. Januar 2020
Wenn randomisierte kontrollierte Studien nicht möglich sind, bietet eine umfassende Datenquelle im Gesundheitswesen wie das Military Health System Data Repository eine attraktive Alternative für retrospektive Analysen. Die Einbeziehung der Sterblichkeitsdaten aus dem nationalen Sterbeindex und das Ausbalancieren von Unterschieden zwischen Gruppen, die die Neigungsgewichtung verwenden, trägt dazu bei, die Vorurteile, die retrospektiven Entwürfen innewohnen, zu verringern.
In der Vergangenheit haben wir die militärische Gesundheitsdatenbank verwendet, um zu bestimmen, welche Patienten am meisten von einer Statinbehandlung profitieren würden, um ihre Wahrscheinlichkeit eines zukünftigen Herzinfarkts zu verringern. Unser Protokoll bietet jedem medizinischen Anbieter, der an der Nutzung von Big Data interessiert ist, eine Roadmap zur Beantwortung eigener klinischer Fragen und kann auf eine weit reichende und nahezu unbegrenzte Anzahl von Themen angewendet werden. Nach Zustimmung des institutionellen Prüfungsausschusses führen Sie einen Antrag auf Datenfreigabevereinbarung aus, wobei Sie darauf achten, die Datenfelder und Dateien anzugeben, die im Arbeitsblatt für DRT-MDR-Extraktionen angefordert werden.
Geben Sie an, ob das Team einen Datenanalytiker anfordert, die Rohdaten liefert oder ob das Team direkt auf den MDR zugreift und ob die Anforderung für einen einmaligen Daten-Pull ist oder ob regelmäßige Pulls täglich, monatlich oder jährlich angefordert werden. Um direkt auf den MDR zuzugreifen, füllen Sie die MDR-Autorisierungsanforderung in den MDR-CS-2875-Formularen aus. Befolgen Sie beim direkten Zugriff auf den MDR die Anweisungen für den Zugriff auf und die Verwendung des MDR, einschließlich der Softwareanforderungen und Beispiel-SAS-Programme, die im MDR-Benutzerhandbuch und im MDR-Funktionshandbuch verfügbar sind.
Um zusätzliche MDR-Empfängerdaten für Ihre Kohorte zu erhalten, rufen Sie die VM6-Dateien vom Server ab und führen Sie mit Ihrer Kohortendatei zusammen. Verwenden Sie verschiedene Variablennamen in den VM6-Datenzeichnungs- und Kohortendateien für Patientennamen und Geburtsdaten, um bei der anschließenden Überprüfung auf Fehler nach dem Zusammenführen zu helfen. Da Datenbankeinträge nie völlig fehlerfrei sind, verwenden Sie den Code, um Fehlerprüfungen nach jedem hauptschrittschritt zu überführen, zusätzlich zur Überprüfung des Programmprotokolls und der Ausgabe auf mögliche Bedenken.
Wenn Sie Namen aus der Kohortendatei mit der VM6-Datei vergleichen, stimmen Sie nur mit den ersten drei Buchstaben überein, um die Effizienz zu verbessern und falsche Fehler zu reduzieren, die mit Unterschieden in der Rechtschreibung oder dem Abstand zwischen Dateien auftreten können. Überprüfen Sie dann die Fehlerdatendatei, und führen Sie bei Bedarf eine manuelle Überprüfung des Integritätsdatensatzes durch, um nach anderen besorgniserregenden Fehlern zu suchen. Für relevante Datenextraktion, erhalten Sie die Race- und Sex-Daten aus den VM6-Empfängerdateien, führen Sie dieses Datum mit der Kohortendatei zusammen und überprüfen Sie, ob Fehler wie gerade gezeigt wurden.
Erhalten Sie Todesdaten aus der Todesstammdatei, führen Sie die Daten mit der Kohortendatei zusammen und überprüfen Sie, ob Fehler aufgetreten sind. Dann erhalten Sie zusätzliche Datendateien nach Bedarf für die Analyse. Extrahieren Sie für die Datenzusammenführung und summative Dateierstellung basislinienbezogene Komorbiditäten mit ICD-9-CM- oder ICD-10-CM-Codes aus der Periode vor dem Indexdatum.
Pflege, dass die Patienten während des Basiszeitraums anspruchsberechtigt waren, wie in der VM6-Empfängerdatei überprüft. Durchsuchen Sie die Basisdiagnosecodes in den ambulanten und/oder stationären Dateien, um die Basiskomorbiditäten während des Basiszeitraums von 12 Monaten vor dem Indexdatum zu ermitteln. Wenn Sie Elixhauser-Komorbiditäten verwenden, verwenden Sie die verfügbare Software aus der Projektdatenbank für Kosten und Nutzung im Gesundheitswesen, um die Namen der Diagnosevariablen und -dateien nach Bedarf zu ändern.
Um ein Studienenddatum für alle Patienten als Folgemaßnahme für Patienten festzulegen, die das Ergebnis von Interesse nicht nachgewiesen haben, durchsuchen Sie die VM6-Empfängerdatei, um die Berechtigung für eine Gesundheitsversorgung bis zum Studienende zu gewährleisten. Wenn es wichtig ist, die Studie unabhängig von der Berechtigung auf aktive Nutzer des Gesundheitssystems zu beschränken, ermitteln Sie den letzten Kontakt im Gesundheitswesen in den Datendateien und zensieren Sie die Patienten zu diesem Zeitpunkt. Wenn alle erforderlichen Informationen erfasst wurden, generieren Sie eine zufällige Patientenkennung für jeden Patienten, der Ranuni verwendet.
Um die Wahrscheinlichkeit der Behandlung zu modellieren, verwenden Sie den logistischen Fortschritt, um die Gewichte aus der vorhergesagten Wahrscheinlichkeit zu berechnen. Dann stabilisieren Sie die Neigungspunktzahl, indem Sie die Punktzahl durch das mittlere Gewicht dividiert. Die Überprüfung des Ausgleichs nach Anwendung der umgekehrten Wahrscheinlichkeit der Behandlungsgewichtung des Standarddifferenzierungsmakros vereinfacht die standardstandardisierten Mittelwertunterschiede für Kovarianzen vor und nach der Gewichtung in SAS.
Um ein kumulatives Inzidenzfunktionsdiagramm in PROC PHREG zu generieren, verweisen Sie auf eine kovariate Datei, um kovariatete Werte anzugeben, die beim Generieren des Diagramms in der PROC PHREG-Syntax verwendet werden sollen, verwenden Sie die Gewichtsanweisung, um die standardisierte Neigungs-Score-Variable anzugeben, und verwenden Sie die Baseline-Anweisung, um die Werte für Basisplan-Kovariaten anzugeben, um die kumulative Inzidenzfunktion darzustellen. Geben Sie dann die Schichten an, die für das Diagramm mit ROWID verwendet werden sollen. Hier ein Beispiel für das entsprechende Auswuchten in einer großen Kohorte von 10000 Teilnehmern mit dem absolut standardisierten Differenzdiagrammmakro, wie gezeigt.
Nach Anwendung des Neigungswerts wurden die absoluten standardisierten Unterschiede deutlich reduziert. Hier bei dem Versuch, Kovariaten in einer Kohorte von 100 Teilnehmern auszugleichen, können die erfolglosen Ergebnisse beobachtet werden. In diesem Beispiel wurden PROC PHREG mit standardisierten Neigungs-Score-Gewichten verwendet, um ein kumulatives Inzidenzfunktionsdiagramm zu generieren, was zeigt, dass die unbehandelte Kontrollgruppe in dieser Analyse eine größere Anzahl von Ereignissen zeigte und ein vergleichsweise schlechteres Überleben aufwies als die behandelte Gruppe.
Dem MDR gehören Begünstigte des Verteidigungsministeriums an, darunter Rentner und Familienangehörige. Es ist also nicht nur auf Patienten über 65 beschränkt, und es ist nicht nur auf Veteranen beschränkt. Dieses Protokoll bietet einen Ausgangspunkt für die Verwendung des MDR.
Und die statistische Technik-Übersicht kann dazu beitragen, Verzerrungen zu beseitigen, die in dieser Art von Forschung intrinsisch sein können.
Sehen Sie sich das vollständige Transkript an und erhalten Sie Zugang zu Tausenden wissenschaftlicher Videos
Überblick
Dieser Artikel befasst sich mit der Verwendung des Military Health System Data Repository für retrospektive Analysen, wenn randomisierte kontrollierte Studien nicht durchführbar sind. Er unterstreicht die Bedeutung der Einbeziehung von Sterblichkeitsdaten und der Anwendung von Neigungsgewichtung zur Verringerung von Verzerrungen.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Retrospektive Analyse
- Nutzung von Gesundheitsdaten
- Reduzierung statistischer Verzerrungen
Hintergrund
- Das Military Health System Data Repository bietet umfangreiche Gesundheitsdaten.
- Randomisierte kontrollierte Studien sind für bestimmte Studien möglicherweise nicht immer praktikabel.
- Neigungsgewichtung ist eine Methode zur Ausgleichung von Unterschieden zwischen Gruppen.
- Die Einbeziehung von Sterblichkeitsdaten erhöht die Robustheit von Analysen.
Zweck der Studie
- Um die Anwendung von Big Data in der klinischen Forschung zu demonstrieren.
- Um einen Fahrplan für medizinische Anbieter zu bieten, die an der Nutzung von Gesundheitsdatenbanken interessiert sind.
- Um den Prozess für den Zugriff auf und die Nutzung des Military Health System Data Repository zu umreißen.
Verwendete Methoden
- Die Genehmigung des institutional review boards wurde eingeholt.
- Ein Antrag zur Datenfreigabe wurde abgeschlossen.
- Datenfelder und -dateien wurden für die Extraktion spezifiziert.
- Die Anweisungen für den Zugriff auf das MDR wurden befolgt, einschließlich der Softwareanforderungen.
Hauptergebnisse
- Das Protokoll ermöglicht maßgeschneiderte Datenanfragen basierend auf klinischen Bedürfnissen.
- Der direkte Zugriff auf das MDR ermöglicht eine kontinuierliche Datenanalyse.
- Beispielhafte SAS-Programme unterstützen Benutzer bei der Datenmanipulation.
- Die Ergebnisse können Behandlungsentscheidungen, wie die Statin-Anwendung, beeinflussen.
Schlussfolgerungen
- Das Military Health System Data Repository ist eine wertvolle Ressource für retrospektive Studien.
- Eine angemessene Methodik kann Verzerrungen in der Gesundheitsforschung reduzieren.
- Big Data kann klinische Entscheidungsprozesse erheblich verbessern.
Häufig gestellte Fragen
Executive Industry Relevance
When randomized controlled trials are not feasible, retrospective analyses using big data offer a cost-effective alternative but require rigorous bias mitigation to ensure valid treatment effect estimates. Propensity score methods like inverse probability of treatment weighting (IPTW) enable confounding adjustment in observational healthcare data, supporting target validation and mechanistic de-risking in early discovery. This approach enhances predictive confidence by balancing known confounders between treatment groups using real-world evidence from sources like the Military Health System Data Repository.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by adjusting for pre-treatment confounders that bias treatment effect estimates in non-randomized studies.
- Operational Value: Supports biological de-risking through standardized weighting techniques that balance baseline comorbidities across treatment cohorts.
- Predictive Value: Improves confidence in target prioritization by reducing selection bias when evaluating treatment effects on outcomes like mortality.
Screening & Assay Development
- Scientific Value: Facilitates preparation of validated analytical frameworks for downstream compound evaluation by ensuring comparable baseline characteristics between groups.
- Operational Value: Promotes assay standardization and reproducibility through consistent application of propensity score weighting and balance diagnostics.
- Scalability: Enables platform reuse across therapeutic areas by providing a roadmap for accessing and integrating large-scale administrative health data.
Translational & Preclinical Research
- Translational Continuity: Supports risk-adjusted advancement decisions by linking discovery-phase hypothesis testing to real-world outcome data from sources like the National Death Index.
- Mechanistic De-risking: Enhances predictive value by incorporating mortality endpoints and verifying balance via standardized mean differences before and after weighting.
- Preclinical Model Alignment: Enables continuity from in vitro/in vivo findings to human retrospective validation when studying treatment effects on clinical outcomes.
Pipeline & Workflow Integration
This method fits within the discovery continuum from hypothesis generation through lead identification to preclinical validation, particularly when leveraging real-world data to de-risk biological targets before costly experimental campaigns.
- Discovery Biology: Supports hypothesis testing and pathway clarification by enabling unbiased estimation of treatment effects in observational cohorts.
- Screening: Enhances assay readiness through standardized data extraction, merging, and error-checking protocols for baseline comorbidity assessment.
- Analytics: Generates quantitative outputs including propensity scores, standardized weights, and cumulative incidence function plots for outcome comparison.
- Translational Research: Connects early-phase mechanistic insights to human outcome data via mortality linkage and confounder adjustment.
- Enterprise Reuse: Establishes a reusable capability for accessing MDR data, applicable to diverse clinical questions beyond a single study.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence, target validation, reduction of mechanistic ambiguity through confounder balancing.
- Operational Value: Standardization, reproducibility, and scalability of propensity score workflows across teams and studies.
- Strategic Value: Better go/no-go decisions, capital efficiency, and reduced late-stage biological risk by validating targets in real-world data.
- Portfolio Impact: Risk-adjusted prioritization and advancement decisions based on bias-adjusted treatment effect estimates.
Implementation Considerations
- Requires expertise in epidemiological methods, SAS programming, and healthcare data management.
- Needs access to MDR, National Death Index, and analytical infrastructure for logistic regression and survival modeling.
- Demands cross-team standardization in data extraction, variable naming, and error-checking protocols.
- Involves adaptation considerations when applying ICD-9-CM/ICD-10-CM codes across different data files and time periods.
- Includes practical limitations such as residual confounding from unmeasured variables and dependency on data completeness in administrative sources.
Biopharma FAQs
Chapters in this video
0:04
Title
0:27
United States Military Health System Data Repository (MDR) Request
1:10
MDR Access
2:26
Relevant Data Extraction
2:54
Data Merging, Summative File Construction, and Data De-Identification
4:22
Propensity Score Computation, Outcome Model Creation, Cumulative Incidence Function (CIF) Plot Generation
5:29
Results: Representative Cumulative Incidence Function (CIF) Treatment Group Comparison
6:18
Conclusion
