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

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.