מאמר שיטה

ההסתברות ההופכית לטיפול שקלול (ציון נטייה) באמצעות מאגר הנתונים של מערכת הבריאות הצבאית ואת מדד המוות הלאומי

DOI:

10.3791/59825

⸱

8 בינואר 2020

 ,  ,  ,  , 
1Cardiovascular Division, Washington University School of Medicine, 2General Medical Sciences, Washington University School of Medicine, 3Center for Advancing Population Science, Medical College of Wisconsin, 4Cardiology Service, Department of Medicine, Walter Reed National Military Medical Center

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כאשר מבחנים אקראיים מבוקרת אינם ריאלי, טיפול רפואי מקיף מקור נתונים כמו מאגר הנתונים של מערכת הבריאות הצבאית מספק חלופה אטרקטיבית עבור ניתוחים רטרוספקטיבי. שילוב נתוני התמותה ממדד המוות הלאומי ואיזון הבדלים בין קבוצות באמצעות שקלול הנטייה מסייעת להפחית את הביסים הטבועים בעיצובים רטרוספקטיבי.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כאשר מבחנים אקראיים מבוקרים אינם ריאלי, לימודים רטרוספקטיבי באמצעות נתונים גדולים לספק חלופה יעילה וחסכונית, למרות שהם נמצאים בסיכון להטיה בחירת הטיפול. הטיית בחירת הטיפול מתרחשת במחקר לא אקראי כאשר בחירת הטיפול מבוססת על מאפייני טרום טיפול המשויכים גם עם התוצאה. מאפיינים אלה של טרום טיפול, או מייסדים, יכולים להשפיע על הערכה של השפעת הטיפול על התוצאה. ציוני הנטייה למזער הטיה זו על ידי איזון המקימים הידועים בין קבוצות הטיפול. ישנן מספר גישות לביצוע ניתוחי ניקוד הנטייה, כולל הניקוד הנטייה, התאמת נטייה, ההסתברות ההופכית של הטיפול מקלול (IPTW). מתוארים כאן הוא השימוש IPTW לאזן התחלואה הבסיסית בתוך קבוצה של חולים במסגרת מאגר הנתונים של מערכת הבריאות הצבאית של ארה ב (MDR). Mdr הוא מקור נתונים אופטימלי יחסית, כפי שהוא מספק את הקבוצה המלאה שבה מידע כמעט מלא על אשפוז ושירותים החוץ זמין עבור המוטבים זכאים. המתואר להלן הוא השימוש MDR בתוספת עם מידע ממדד המוות הלאומי לספק נתונים חזקים התמותה. בנוסף, מסופקים הצעות לשימוש בנתונים ניהוליים. לבסוף, הפרוטוקול משתף קוד SAS לשימוש ב-IPTW כדי לאזן מייסדים ידועים ולהתוות את פונקציית השכיחות המצטברת עבור תוצאת הריבית.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אקראי, פלסבו מבחנים מחקרים הם עיצוב המחקר החזק ביותר כדי לכמת את היעילות של הטיפול, אבל הם לא תמיד ריאלי בשל דרישות עלות וזמן או חוסר שיווי בין קבוצות הטיפול1. במקרים אלה, עיצוב רטרוספקטיבי באמצעות נתונים ניהוליים בקנה מידה גדול ("נתונים גדולים") מספק בדרך כלל חלופה יעילה וחסכונית, אם כי היעדר אקראיות מציג בחירת הטיפול הטיה2. הטיית בחירת הטיפול מתרחשת במחקרים שאינם אקראיים כאשר החלטת הטיפול תלויה בתכונות טרום טיפול המשויכות לתוצאת הריבית. מאפיינים אלה ידועים כגורמים מייסדים.

מכיוון שתוצאות הנטייה למזער את ההטיה על ידי איזון המייסדים הידועים בין קבוצות הטיפול, הם הפכו להיות פופולריים יותר ויותר3. עשרות נטיה שימשו כדי להשוות גישות כירורגית4 ו משטרי רפואי5. לאחרונה, השתמשנו בניתוח נטיה של נתונים ממאגר הנתונים של מערכת הבריאות הצבאית של ארצות הברית (MDR) כדי להעריך את ההשפעה של סטטינים במניעה ראשונית של תוצאות לב וכלי דם מבוסס על הנוכחות והחומרה של סידן עורק כלילי6.

Mdr, מנוצל בתדירות נמוכה יותר מאשר מערכת הנתונים רפואי ו-VA למטרות מחקר, מכיל מידע מקיף מנהלי ורפואי תביעות מן השירותים אשפוז ומחוץ לשירות פעיל בצבא, גמלאים, ואחרים משרד ההגנה (משרד ההגנה) ממוטבים בריאות וניזונים שלהם. מסד הנתונים כולל שירותים הניתנים ברחבי העולם במתקני הטיפול הצבאי בארה ב או במתקנים אזרחיים היחויבו בידי משרד ההגנה. מסד הנתונים כולל נתוני מרקחת מלאים מאז 1 באוקטובר, 2001. נתוני מעבדה זמינים מ 2009 אבל הוא מוגבל רק למתקני טיפול צבאי. בתוך MDR, גדודים הוגדרו עם שיטות כולל שימוש בקודים האבחון (למשל, סוכרת בשעה7) או קודי ההליך (למשל, ניתוח ארתרוסקופי8). לחילופין, ניתן להתאים את הקבוצה המוגדרת מבחוץ של מוטבים זכאים, כגון רישום, כדי לקבל נתונים של תוכנית בסיסית ומעקב9. שלא כמו רפואי, MDR כולל חולים בכל הגילאים. זה גם פחות מוטה כלפי זכרים מאשר מסד הנתונים VA מאז הוא כולל ניזונים. לעומת זאת, הגישה ל-MDR מוגבלת. באופן כללי, רק חוקרים החברים במערכת הבריאות הצבאית יכולים לבקש גישה, מקבילה לדרישות השימוש במסד הנתונים של VA. חוקרים שאינם ממשלתיים המבקשים גישה לנתוני מערכות בריאות צבאיות חייבים לעשות זאת באמצעות הסכם שיתוף נתונים תחת פיקוחם של נותן החסות הממשלתי.

בעת שימוש בערכת נתונים ניהולית, חשוב לזכור את המגבלות והעוצמות של קידוד ניהולי. הרגישות והספציפיות של הקוד יכולות להשתנות בהתאם לאבחנה הקשורה, בין אם מדובר באבחנה ראשית או משנית, או בין אם מדובר בקובץ בלתי מטופל או באשפוז. קודים inpatient עבור אוטם שריר הלב חריפה מדווחים בדרך כלל עם ערכים ניבוי חיובי על 90%10, אבל השימוש בטבק הוא לעתים קרובות מקודד11. לקידוד מסוג זה יכול להיות או לא השפעה משמעותית על תוצאות המחקר12. בנוסף, מספר קודים עבור תנאי נתון עשויים להתקיים עם רמות משתנות של קורלציה למחלה בשאלה13. צוות חקירה צריך לבצע חיפוש ספרות מקיפה וסקירה של הסיווג הבינלאומי של המחלה, המהדורה התשיעית, השינוי הקליני (ICD-9 ס מ) ו/או ICD-10-ס מ מדריכים קידוד כדי להבטיח את הקודים המתאימים נכללים במחקר.

מספר שיטות יכולות להיות מועסקים כדי לשפר את הרגישות והדיוק של קודי האבחון להגדיר תנאי הימור. יש לכלול תקופת "מבט אחורי" מתאימה כדי ליצור מטיות בסיסיות. תקופת המראה האחורית כוללת את שירותי האשפוז והחוץ הניתנים לפני הכניסה ללימודים. תקופה של שנה אחת עשויה להיות מיטבית14. בנוסף, הדרישה לשתי תביעות נפרדות במקום תביעה אחת יכולה להגביר את הפרטים, תוך הגדלת נתוני הקידוד עם הנתונים הפרמצבטיים יכולים לשפר את הרגישות15. בחר ביקורות של תרשימים ידניים בחלק מהנתונים ניתן להשתמש כדי לוודא דיוק של אסטרטגיית הקידוד.

לאחר שהיו מוגדרים ומוערך עבור הקבוצה המדובר, ציון הנטייה יכול לשמש כדי לאזן את ההבדלים בין קבוצות הטיפול. תוצאת הנטייה נגזרת מההסתברות שהחולה מוקצה לטיפול המבוסס על הקושתנים הידועים. חשבונאות עבור טיפול זה הנטייה מפחית את האפקט כי covariates יש על הקצאת טיפול ומסייע ליצור אומדן אמיתי של אפקט הטיפול על התוצאה. בעוד ציונים הנטייה לא בהכרח לספק תוצאות מעולה מודלים סטטיסטי, הם מאפשרים הערכה של אם קבוצות מטופלים מטופל הם דומים לאחר החלת הציון הנטייה3. חוקרי המחקר יכולים לנתח את ההבדלים הסטנדרטיים המוחלט של covariates לפני ואחרי ההתאמה התאמה או ההסתברות ההופכית לטיפול במשקל (IPTW) כדי להבטיח מייסדים ידועים כבר מאוזנת בין קבוצות. וחשוב מכך, לא ניתן לאזן בין מייסדים לא ידועים, והאדם צריך להיות מודע לפוטנציאל של הסכמה שיורית.

כאשר מבוצע כראוי, אף, ציונים הנטייה הם כלי רב עוצמה שיכול לנבא ולשכפל את התוצאות של מבחנים אקראיים מבוקרים16. של שיטות הנטייה הזמינות, התאמה ו-IPTW מועדפות בדרך כלל17. בתוך IPTW, חולים משוקלל על ידי הנטייה שלהם או הסתברות לטיפול. ייצוב משקולות מומלץ בדרך כלל על פני משקולות גלם, בעוד קיצוץ של המשקולות יכול להיחשב גם18,19,20,21.

ברגע שקבוצות הלימוד מאוזנות, ייתכן שיעקבו אחריהן עד לתוצאת העניין. מחקרים העושים שימוש בנתונים ניהוליים עשויים להיות מעוניינים בתוצאות כגון שיעורי readmission וניתוחי זמן-לאירוע. במחקרים המתעניינים בתמותה, מאגר הנתונים של מערכת הבריאות הצבאית כולל שדה מעמד חיוני שניתן להרחיב באמצעות מדד המוות הלאומי (ndi)22,23. ה-NDI הוא מסד נתונים מרוכז של רישומי מוות ממשרדי המדינה המנוהל על ידי המרכז לבקרת מחלות. החוקרים יכולים לבקש מעמד חיוני בסיסי ו/או סיבת מוות ספציפית המבוססת על תעודת הפטירה.

הפרוטוקול הבא מפרט את תהליך ניהול מחקר מסד נתונים ניהולי באמצעות MDR מוגבר עם מידע התמותה מ-NDI. היא מפרטת את השימוש ב-IPTW לאיזון הבדלים בסיסיים בין שתי קבוצות טיפול כולל קוד SAS ופלט לדוגמה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

הפרוטוקול הבא עוקב אחר ההנחיות של ועדות האתיקה האנושית המוסדית שלנו.

1. הגדרת הקבוצה

  1. קבע והגדר בבירור את קריטריוני ההכללה וההדרה של המחזור המתוכנן באמצעות 1) הרישום או 2 נקודות נתונים שניתן לחלץ מ-MDR כגון קודים מנהליים לאבחנות או הליכים (כלומר, כל המטופלים עם יותר משני טיפול באבחנות או אבחנה אחת בחולה של פרפור פרוזדורים).
    1. אם נעשה שימוש ברישום, כלול שני מזהי מטופלים או יותר עבור התאמה מדויקת עם מאגר הנתונים של מערכת הבריאות הצבאית, כגון מספר הרשומה הרפואית (המופיע בערכות נתונים שונות כ-patuniq ועריכה), שם מלא, תאריך לידה ו/או מספר הביטוח הלאומי של הספונסר.
      הערה: כמו בכל המחקרים הנתונים בתחום הבריאות האישי, יש צורך באמצעי הגנה וחייבים להיות מצוידים. הצפנה וניהול נתונים נאותים חייבים להיות מועסקים במהלך תהליך האיסוף, והמידע צריך להיות מזוהה בהקדם האפשרי.
      הערה: בעת התייחסות למספר הביטוח הלאומי של הנותן החסות (sponssn), כל המטופלים רשומים ביחס לקשר שלהם לחבר הצבאי (או לנותן החסות), כולל מזהה לנותן החסות, הזוג והילדים. שים לב כי קוד הקשר ומספר הביטוח הלאומי של הספונסר עשוי להשתנות לאורך זמן במערכת הנתונים כאשר המטופלים הופכים למבוגרים להתחתן או להתגרש. לכן, מזהי מטופלים מרובים מסייעים להבטיח דיוק.
    2. אם הגדרת את הגדודים באמצעות קידוד ניהולי, בצע חיפוש מקיף בספרות כדי לזהות מחקרים קודמים שעלולים לאמת את קודי העניין. סקירת ICD-9 ס"מ24 ו/או icd-10 ס מ25 מדריכים כדי להבהיר הגדרות קוד וקודים שכנים כדי להבטיח את הטווח המתאים של קודים נמצא בשימוש. בנוסף, סקור את טבלאות ההפניות הקושרות הכלולות במדריכים לצורך התחשבות בקודים נוספים להכללה/הכללה. מחקרי אימות מראש מכילים דוחות של ערך ניבוי חיובי, רגישות וספציפיות עבור אסטרטגיות קידוד מנהליות שונות. סיוע אלה אופטימיזציה של בחירת הקבוצה, כמו גם זיהוי תוצאה.
  2. קבע אם יש הגבלות (לדוגמה, בהתבסס על גיל) על הקבוצה הרצויה או על קריטריוני אי-הכללה אחרים שיש לכלול בבקשת הנתונים.
  3. הגדר את תקופת הלימוד כך שתכלול זמן לפני תאריך האינדקס עבור אוסף של משתנים בסיסיים (בדרך כלל 12 חודשים במחקרי נתונים ניהוליים), כמו גם תאריך סיום לימודים.

2. הגדרת משתנים ותוצאות

  1. הגדירו קודים ניהוליים לתנאים מייסדים באמצעות חיפושי ספרות ושימוש ב-ICD-9 ס מ24 ו/או icd-10 ס"מ25 מדריכים כפי שנעשה בשלב 1.1.2 לעיל.
  2. קביעת הקוונים נחוצים אחרים כולל דמוגרפיה, תרופות ונתוני מעבדה.
  3. סקור את שדות הנתונים הזמינים במילון הנתונים של MDR כאן: https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents.

3. הגשת בקשה לקובץ MDR

  1. קבל אישור מועצת הסקירה המוסדית.
  2. השלם יישום הסכם שיתוף נתונים שניתן למצוא כאן: https://health.mil/Military-Health-Topics/Privacy-and-Civil-Liberties/Submit-a-Data-Sharing-Application?type=All#RefFeed. כחלק מהיישום, ציין שדות נתונים וקבצים המבוקשים בגליון העבודה של מאגר הנתונים של מערכת הבריאות הצבאית (MDR) שלא כושל (מקושר מטופס היישום). ציין אם הצוות מבקש מנתח נתונים לספק את הנתונים הגולמיים או אם הצוות יקבל גישה ישירה ל-MDR. ציין עוד אם הבקשה היא למשוך נתונים חד פעמי או אם משיכה רגילה מבוקשת מדי יום, חודשית או שנתית.
    הערה: כדי להשיג נתוני MDR לפי כל שיטה, חייב להיות נותן חסות שהוא עובד ממשלתי (פעיל צבאי או GS), שהוא בדרך כלל חבר בצוות החוקרים.
  3. אם הגישה ישירות MDR, להשלים את "טופס בקשת ההרשאה MDR" ו "MDR CS 2875 טופס" שניתן למצוא כאן: https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents.

4. גישה ל-MDR ולהפקת נתונים רלוונטיים

  1. אם הגישה ישירות MDR, בצע את ההוראות עבור גישה ושימוש MDR כולל דרישות התוכנה ולדוגמה תוכניות SAS הזמינים "מדריך למשתמש של MDR" ו-"MDR פונקציונלי מדריך" נמצאו כאן: https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents.
    הערה: הקבצים נשמרים בתבנית SAS ונגישים באמצעות מעטפת unix בדרך כלל באמצעות הפקודה פלסטלינה. exe וכן תוכנית ftp. יש צורך בידיעת SAS.
  2. לקבלת סקירה מועילה של ההתקנה MDR, לסקור את מדריך משרד ההגנה של חוקרי משרד ההגנה על שימוש ב-MDR Data https://health.mil/Reference-Center/Publications/2012/10/10/Guide-for-DoD-Researchers-on-Using-MHS-Data.
  3. כפי שנעשה בשלב 2.3, סקור את מילון הנתונים MDR לקבלת מידע מפורט על כל קבצי הנתונים הזמינים https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents.
    הערה: לא כל קבצי הנתונים כוללים את כל מזהי המטופלים עבור התאמה/מיזוג. מילון הנתונים מסייע למזהי רשימה הזמינים עבור כל קובץ נתונים. מספר זיהוי משרד ההגנה, המכונה גם "patuniq" או "edipn", צריך להוציא מידע מרקחת, למשל. לאחר כל מזהי המטופלים המתאימים בשלב כריית הנתונים חשוב להבטיח את היכולת להתאים את כל המידע המטופל על פני שנים מרובות וערכות נתונים מרובים. חשוב לחזור ולחזור על כך שבמחקרים הכרוכים ב-PHI, הקפדה על שמירת הנתונים נדרשת לאחר קבלת האישור הדרוש, ו-PHI צריך להיהרס לאחר שאינו נחוץ עוד.
  4. להשיג מזהי החולה הדרושים עבור הקבוצה על ידי גישה לנתונים vm6 המוטב (ספטמבר 2002-הווה) או הקובץ pben (ספטמבר 2000 – ספט 2002).
    1. השתמש במאקרו שלהלן או בתוכנית דומה כדי להתאים vm6 נתונים לקובץ הקבוצה. במקרה זה, הקוד יכול לשמש כפי שנכתב כדי למצוא את החולה מספרים רשומה רפואית (MRNs) עבור מטופל מסוים חברתית כי כבר בקובץ הקבוצה. השתמש בשמות משתנים שונים בקבצי vm6 הנתונים ובקובץ הקבוצה עבור שמות חולים ותאריכי מולדת כדי לסייע בבדיקת שגיאות מאוחר יותר. כדי להגן על PHI, אחסן את הנתונים עם מזהי המטופלים בצומת השירות בשטח המסופק כחלק מבקשת הנתונים (ראה מדריך למשתמש של MDR).
      הערה: MRNs מכונים מספר זיהוי משרד ההגנה, PATUNIQ או EDIPN ב MDR.
      figure-protocol-1
    2. כמו ערכי מסד נתונים לעולם לא לגמרי חינם של שגיאה, לבצע בדיקות שגיאה לאחר כל צעד מרכזי בנוסף לבדוק את יומן התוכנית ואת הפלט עבור כל הדאגות הפוטנציאליות. השתמש בשלב הנתונים שלהלן כדי לסקור את ההתנגשויות הפוטנציאליות עם הקוד לעיל (קבצי המטופל מותאמים בהתבסס על המטופל/המוטב חברתי). בעת השוואת שמות מקובץ המטה (שם משפחה, שם פרטי) עם קובץ vm6 (last_name, first_name), רק להתאים את שלושת האותיות הראשונות כדי להפחית שגיאות שווא העולות עם הבדלים באיות/מרווח בין קבצים.
      figure-protocol-2
    3. סקירת קובץ נתוני שגיאה ("שם הביקורת"). התעלם משגיאות הנגרמות על-ידי סימני פיסוק (או'ריילי vs. Orly). בדוק שגיאות אחרות של דאגה עם סקירה ידנית של רשומת הבריאות או לשקול השמטת מידע החולה/המטופל רלוונטי אם קיימות שגיאות משמעותיות ואם האימות אינו אפשרי.
  5. חלץ את הנתונים הנחוצים שנותרו מ-MDR.
    1. במידת הצורך, להשיג גזע וסקס מ vm6ben קבצים (קבצי pben לפני ספטמבר 2002), להתמזג עם קובץ הקבוצה, ולבדוק שגיאות כפי שנעשה לעיל:
      figure-protocol-3
    2. השג נתוני מוות מקובץ האב של המוות, מזג עם קובץ הקבוצה, ובדוק שגיאות כפי שנעשה לעיל:
      figure-protocol-4
    3. קבל קבצי נתונים נוספים הדרושים לניתוח (ראה מדריך למשתמש של MDR פונקציונלית עבור מיקום נתונים ופקודות מאקרו וקוד מועילים נוספים של SAS).
      הערה: הנתונים מאוחסנים בקבצים נפרדים, בהתאם לשאלה אם היא סופקה ישירות על-ידי מערכת הבריאות הצבאית או הועברה למקום אחר והגיעה למערכת הבריאות הצבאית. קבצים לדוגמה מוצגים להלן.
      צלף-טיפול ישיר, מחוץ לתיקים מ-2004-היום
      סאדר – טיפול ישיר, תיקים משנת 1998 – 2005
      SIDR – טיפול ישיר, אשפוז החולה (טיפול ישיר) מ-1989-היום
      TEDI-מחויב, תיקים תביעה מוסדית-2001-הווה
      הימן סרי-מחויב, תביעות מוסדיים משנת 1994 – 2005
      בבעלות TEDNI – טיפול מחויב, תביעות לא מוסדיים שאינן מוסדי 2001 – היום
      מימן – מחויב, תביעות לא מוסדיים, 1994 – 2005
      PDTS – קובץ בית מרקחת עם מרשמים בודדים 2002-היום

5. מיזוג נתונים ובנייה של קבצים מסוכי

  1. אם הנתונים מתקבלים מאנליסט נתונים או מתקבלים ישירות מ-MDR כפי שנעשה בסעיף 4 לעיל, קבצי נתונים יזדקקו באופן מחודש וימוזגו יחד כדי ליצור את קובץ הניתוח. לאורך כל התהליך, לנצל את השיטות המשפרות את דיוק הנתונים, כולל בדיקות שגיאה וסקירה של יומני רישום ופלט כפי שנדונו גם קודם לכן.
    1. בעת מיזוג נתונים, השתמש בלפחות שני מזהי מטופלים כאשר ניתן להבטיח התאמה חזקה (כגון מספר הרשומה הרפואית ותאריך הלידה), כיוון ששגיאות יכולות להתקיים בכל שדה. לאחר מיזוג הנתונים, סקור את הנתונים כדי להבטיח תוצאות צפויות. הפעל את הקוד כדי לוודא ששלושת האותיות הראשונות של השם תואמות בנוסף למזהה אחר או שניים שימושיים לאימות התאמות נאות (ראה שלב 4.5.1).
      הערה: שם המשפחה עשוי שלא להתאים אם המטופל היה נשוי במהלך תקופת הזמן המדוברת. וריאציות משניות עשויות להתקיים גם בשדות שם בשל גרשיים או מרווחים וכן שגיאות הקלדה.
    2. שים לב במיוחד להתאמות בשלבי המסוף בתהליך, כגון הגדרת מטופלים שהיו בעלי תוצאות.
  2. להוציא בסיס הטיפול הבסיסי באמצעות ICD-9 ס"מ או ICD-10 ס מ קודים מהתקופה לפני תאריך המדד, התאריך שבו המטופל נחשב כניסה למחקר. באופן כללי, השתמש ב-12 חודשים לפני תאריך המדד להגדרת מספר שבועות.
    1. ודא שלמטופלים היתה הזכאות למערכת הבריאות הצבאית במהלך התקופה הבסיסית (ניתן לאימות בחודש vm6ben).
    2. חיפוש בקודי אבחון בסיסיים בקבצים שאינם מטופלים ו/או בקבצי אי-מטופל כדי ליצור מנוכי שיעור בסיסי במהלך התקופה הבסיסית של 12 חודשים לפני תאריך האינדקס. השתמש בקודים ICD-9 ס מ או ICD-10 ס מ הוקמה בסעיף 1. אם נעשה שימוש בתחלואה מינית, השתמש בתוכנה הזמינה מ-HCUP, והקפד לשנות את השמות של משתני האבחון והקבצים לפי הצורך. (https://www.hcup-us.ahrq.gov/toolssoftware/comorbidity/comorbidity.jsp#download)
  3. חיפוש בתוך המטופל ו/או קבצים אשפוז לאחר תאריך האינדקס עבור התוצאות של הריבית שהוגדרו על-ידי icd-9 ס"מ או icd-10 ס מ קודים, כגון אשפוז אוטם שריר הלב כמו אבחנה ראשונית (חיפוש עבור 410. x1 ב sidr).
  4. קבע תאריך סיום מחקר עבור כל המטופלים כניתוק עבור מעקב עבור חולים שלא הפגינו את תוצאת הריבית. לקבוע איזה מטופלים צריכים להיות מצונזרים לפני סוף הלימודים.
    1. חיפוש vm6ben הקובץ כדי להבטיח זכאות לטיפול רפואי דרך תאריך סיום המחקר.; אחרת, לצנזר את החולה בזמן אובדן הזכאות.
    2. אם חשוב להגביל את המחקר למשתמשים פעילים של מערכת הבריאות עצמאית הזכאות, כגון משתמשים פעילים של בית המרקחת, ולאחר מכן לקבוע את הטיפול הרפואי האחרון קשר (כגון מילוי התרופה האחרונה) בתוך קבצי הנתונים לצנזר את המטופלים ב . התאריך הזה
      הערה: היזהרו באמצעות מפגשים טלפוניים, כפי שהם יכולים להיות נוכחים בשיא הבריאות לאחר שהמוות אירע או אם המוטב יצא ממערכת הבריאות באופן אחר.

6. התאמה למדד המוות הלאומי (NDI)

  1. לאחר מזוהה הקבוצה המלאה, לשלוח את המידע למדד המוות הלאומי על התאמה אם התמותה היא נקודת קצה.
    1. ראשית, כלול את הכוונה להתאים ל-NDI בבקשות עבור נתוני MDR ואישור IRB. ודא אישור והשלם את כל צעדי הצפנת הנתונים שהושלמו לפני שליחת מידע בריאותי מוגן (PHI) ל-NDI לצורך התאמה.
  2. הטופס "מדד המוות הלאומי (NDI)" והנחיות לקבלת נתוני מוות ממדד המוות הלאומי ניתן למצוא כאן: https://www.cdc.gov/nchs/ndi/index.htm.
  3. שלח את הנתונים לתקליטור המוגן באמצעות סיסמה באמצעות דואר לילה ל-NDI. התוצאות יישלחו חזרה בערך כשבועיים לאחר מכן באותו אופן.
  4. לאחר קבלת תוצאות ה-NDI, סקור התאמות חלקיות עבור הכללה/אי הכללה פוטנציאלית.
    1. "פרק 4-הערכת פלט NDI" מספק סקירה מועילה של תוצאות סקירה ניתן למצוא באותו דף אינטרנט: https://www.cdc.gov/nchs/ndi/index.htm. גפרורים במספר ביטוח לאומי מספקים בדרך כלל את ההתאמה החזקה ביותר.
    2. בעת הצורך, הצלב לבדוק מקרי המוות בביטוח לאומי אינדקס מוות ו/או ותיקי המוטב זיהוי רשומות מאתר מערכת המשנה (BIRLS) כדי לשפר את הדיוק. שים לב כי חברי שירות שימותו בחו ל סביר להניח שלא יופיעו על חיפוש NDI, אבל הם מזוהים לעתים קרובות בקובץ הסטטוס MDR וחיוניות או ב-VA BIRLS.
  5. מזג את קובץ המוות עם קובץ המטה הראשי לאחר השלמת הסקירה.

7. מידע מזהה

  1. לאחר הרכישה של כל המידע הנחוץ, בטל את הזיהוי של קבצי הנתונים כדי לסייע בהגנה על PHI. צור מזהה מטופל אקראי עבור כל מטופל באמצעות "ranuni" (ראה מדריך למשתמש פונקציונלי של MDR). הסרת המטופל החברתי, מספר הרשומה הרפואית, תאריך הלידה (אחרי גיל המחשוב), וכו ', מתוך קבצי נתונים. במקרה הצורך (ואושר), אחסן מפתח המקשר את מזהה המטופל האקראי ל-PHI באופן מאובטח בצומת SCE.

8. חישוב ניקוד הנטייה18,19,26

  1. השתמש ברגרסיה לוגיסטית כדי לדגמן את ההסתברות לטיפול (הליך לוגיסטי ב-SAS).
    1. ציין את קובץ הנתונים ("dat" בדוגמה).
    2. השתמש במשפט מחלקה כדי לציין משתנים בקטקטיינו. השתמש ב-"ref = first" כדי לציין את הערך הנמוך ביותר (כגון 0) כערך האסמכתא.
    3. בהצהרת המודל, ציין את משתנה הטיפול כמשתנה התלוי (Rx) והגדר את הערך עבור "אירוע" כערך לקבלת טיפול (1 במקרה זה).
    4. כלול את כל הפרקטורים האפשריים של טיפול כאשר הם מקבלים במודל, במיוחד אם הם יכולים להיות מפרדיקים של התוצאה (כגון מוות). שקול אם אינטראקציות בין מונחים עשויות להשפיע על הטיפול. כלול אותם במודל באמצעות "*" (כגון זכר * ckd) או השתמש בתחביר המוצג להלן "|" בין covariates ל-"@ 2" בסוף כדי לציין את כל האינטראקציות של 2 x 2, בהתאם לדגם המסוים.
    5. השתמש בהצהרת הפלט כדי לציין שההסתברות החזויה לטיפול (בעיה) תוגדר על-ידי "ps" והפלט לקובץ "ps_data".
      figure-protocol-5
      הערה: משתנים במודל: זכר: מין גברי (בינארי), ckd: מחלת כליות כרונית (בינארי), כבד: מחלת כבד כרונית (בינארי), סוכרת (בינארי), copd: מחלת ריאות חסימתית כרונית (בינארי), chf: אי ספיקת לב (בינארי), cad: מחלת עורקים כלילית (בינארי), cvd: מחלת וסקולרית (בינארי), pad: מחלת עורקים היקפית (בינארי), גיל (רציף).
  2. חישוב משקולות מההסתברות החזויה (תוצאת הנטייה). אם המטופל קיבל טיפול (Rx = 1), אז משקל הציון הנטייה היא 1/(ניקוד הנטייה). אם החולה לא קיבל טיפול, אז הציון משקל הנטייה היא 1/(1-ציון הנטייה).
    figure-protocol-6
  3. ייצוב ניקוד הנטייה על ידי חלוקת אותו במשקל ממוצע. בקוד שלהלן, המשמעות של השגרה היא לפלטי את המשקל הממוצע לתוך המשתנה "mn_wt" בקובץ הנתונים "m". ערכת הנתונים להלן השומרת את הmn_wt מקובץ הנתונים "m" ולאחר מכן מחשבת את תוצאות הנטייה התייצב (st_ps_weight) עבור כל התבוננות.
    figure-protocol-7
  4. בדוק את האיזון לאחר החלת ההסתברות ההופכית לניפוח הטיפול.
    1. מאקרו stddiff מפשט את מיחשוב הבדלים ממוצע סטנדרטיים עבור משתנים לפני ואחרי שקלול ב-SAS. הקוד עבור המאקרו ניתן למצוא כאן: http://www.lerner.ccf.org/qhs/software/lib/stddiff.sas.
    2. חשב את ההפרש הממוצע הסטנדרטי לפני שקלול. כמו בכל פקודות המאקרו, יש להפעיל את קוד המאקרו ב-SAS לפני הקריאה. משפט שיחה לדוגמה ממוקם להלן עם הקושתנים של הריבית.
      figure-protocol-8
      Inds-ערכת נתוני קלט, משתנה-משתנים המגדיר את קבוצות הלימוד, שערים – משתנים בקטארים, משתנים מתמשכים, stdfmt – תבנית של הבדל מתוקננת, outds – ערכת נתוני פלט.
    3. התקשר שוב למאקרו stddiff כדי לחשב את ההפרש הממוצע הסטנדרטי לאחר שקלול. "Wtvar" מציין את המשתנה המכיל את תוצאת הנטייה הסטנדרטית ומתווסף להצהרת שיחות המאקרו. אם ההבדלים התקניים כולם פחות או שווים ל-0.1, אז האיזון נחשב למוצלח.
      figure-protocol-9
  5. ASD לפני ואחרי שקלול ניתן לדווח בפורמט טבלאי או גרף. לקבלת הנחיות לניצול מאקרו של SAS כדי ליצור מזימה, עיין בחומרים המשלימים.
  6. ניתן להשתמש כעת בנתוני ה-IPTW בניתוח חד-ממדי לאחר הקפדה על איזון של מייסדים מדודים.

9. יצירת מודל התוצאה ויצירת מזימה של פונקציה משכיחות מצטברת

  1. קיימות מספר דרכים שבהן ניתן להתוות ניתוח זמן-לאירוע, כולל שימוש בבדיקת חיים בשגרה כדי ליצור מזימת הישרדות. השתמש בהצהרת המשקל כדי לציין את משקל הנטייה הסטנדרטית.
  2. כדי ליצור מזימה cif באמצעות משקל הנטייה, להשתמש phreg לשגרה.
    1. ב-phreg לשגרה, להפנות קובץ covariate כדי לציין ערכי covariate לשמש בעת יצירת העלילה. במקרה זה, הקובץ covariate מכיל רק את המשתנה היחיד Rx, שיכול להיות 1 או 0.
      figure-protocol-10
    2. הפעלה/החלפה של גרפיקת ods. השתמש בהצהרות נוספות לפי הצורך כדי לציין קבצי פלט עבור הגרף או סוג הקובץ (jpeg, וכו '; ראה https://support.sas.com/documentation/cdl/en/statug/63962/HTML/default/viewer.htm#statug_odsgraph_sect014.htm).
      figure-protocol-11
    3. בתחביר phreg לשגרה, השתמש בהצהרת המשקל כדי לציין את משתנה תוצאת הנטיה הסטנדרטית. ציין ערכים עבור משתנים בסיסיים באמצעות המשפט הבסיסי כדי שתוכל להתוות את פונקציית השכיחות המצטברת. ציין את השכבות שבהן יש להשתמש עבור ההתוויה באמצעות "rowid" (במקרה זה RX 1 לעומת 0). המספר בסוגריים לאחר משתנה התוצאה ("אירוע") מציין את הערכים של המשתנה שאמור להיות מצונזרים, שעליהם לכלול את התאריך הצנזר ואת כל האירועים המתחרים. במקרה זה, 0 מצונזרים ו-1 הוא אירוע אמיתי.
      figure-protocol-12

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עם השלמת IPTW, שולחנות או מגרשים של הבדלים סטנדרטיים מוחלטים ניתן ליצור באמצעות קוד המאקרו stddiff או קוד המאקרו asdplot, בהתאמה. איור 1 מציג דוגמה של איזון מתאים בקבוצה גדולה של 10,000 משתתפים באמצעות מאקרו asdplot. לאחר היישום של הציון הנטייה, ההבדלים מתוקננת מוחלטים הופחת באופן משמעותי. החיתוך המשמש להבדל מתוקננת מוחלט הוא שרירותי במקצת, אם כי 0.1 משמש לעתים קרובות ומציין הבדל זניח בין שתי הקבוצות. בקבוצה קטנה, האיזון הנכון יותר קשה להשגה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ניתוח רטרוספקטיבי באמצעות ערכות נתונים ניהוליות גדולות מספקות חלופה יעילה וחסכונית כאשר מבחנים מבוקרים אקראיים אינם אפשריים. ערכת הנתונים המתאימה יהיה תלוי באוכלוסיה ובמשתנים של עניין, אבל MDR היא אופציה אטרקטיבית כי אין לו את ההגבלות הגיל שראו עם נתוני הביטוח הרפואי. עם כל ערכת נתונים, חשוב להכיר באופן אינטימי את הפריסה ומילון הנתונים שלו. יש לקחת את הטיפול בדרך כדי להבטיח שהנתונים המשלימים נלכדים, והנתונים מתאימים וממוזגים באופן מדויק.

קודים לאבחנות צריך להיות מוגדר באמצעות ספרות קיימת והבנה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

. למחברים אין מה לגלות

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחקר שדווח בפרסום זה נתמך על ידי המרכז הלאומי לקידום מדעי העבר של המכון הלאומי לבריאות תחת מספר הפרס UL1 TR002345. התוכן הינו באחריות המחברים בלבד ואינו מייצג בהכרח את ההשקפות הרשמיות של המכון הלאומי לבריאות.

כתב ויתור: בנוסף, ההשקפות המובעות במאמר זה הן של המחבר בלבד, ואין לפרש אותן לייצוג בכל דרך שהיא של ממשלת ארצות הברית, מחלקת ההגנה של ארצות הברית, או מחלקת ארצות ה צבא. הזיהוי של מוצרים ספציפיים או מכשור מדעי נחשב לחלק בלתי נפרד מהמאמצים המדעיים ואינו מהווה אישור לתמיכה או משתמעת מצד המחבר, משרד ההגנה או כל סוכנות מרכיבים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
צורב תקליטורים (לבקשת NDI)
מחשב
Putty.exePutty.org
SAS 9.4SAS Institute Cary, NC
WinSCP או תוכנת FTP אחרתhttps://winscp.net/eng/index.php

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Concato, J., Shah, N., Horwitz, R. I. Randomized, controlled trials, observational studies, and the hierarchy of research designs. New England Journal of Medicine. 342 (25), 1887-1892 (2000).
  2. Austin, P. C., Platt, R. W. Survivor treatment bias, treatment selection bias, and propensity scores in observational research. Journal of Clinical Epidemiology. 63 (2), 136-138 (2010).
  3. Sturmer, T., Wyss, R., Glynn, R. J., Brookhart, M. A. Propensity scores for confounder adjustment when assessing the effects of medical interventions using nonexperimental study designs. Journal of Internal Medicine. 275 (6), 570-580 (2014).
  4. Schermerhorn, M. L., et al. Long-Term Outcomes of Abdominal Aortic Aneurysm in the Medicare Population. New England Journal of Medicine. 373 (4), 328-338 (2015).
  5. Williams, R. J. II, et al. A Propensity-Matched Analysis Between Standard Versus Tapered Oral Vancomycin Courses for the Management of Recurrent Clostridium difficile Infection. Open Forum Infectious Diseases. 4 (4), (2017).
  6. Mitchell, J. D., et al. Impact of Statins on Cardiovascular Outcomes Following Coronary Artery Calcium Scoring. Journal of the American College of Cardiology. 72 (25), 3233-3242 (2018).
  7. Rush, T., McGeary, M., Sicignano, N., Buryk, M. A. A plateau in new onset type 1 diabetes: Incidence of pediatric diabetes in the United States Military Health System. Pediatric Diabetes. 19 (5), 917-922 (2018).
  8. Rhon, D. I., Greenlee, T. A., Marchant, B. G., Sissel, C. D., Cook, C. E. Comorbidities in the first 2 years after arthroscopic hip surgery: substantial increases in mental health disorders, chronic pain, substance abuse and cardiometabolic conditions. British Journal of Sports Medicine. , (2018).
  9. Mitchell, J., Paisley, R., Moon, P., Novak, E., Villines, T. Coronary Artery Calcium Score and Long-term Risk of Death, Myocardial Infarction and Stroke: The Walter Reed Cohort Study. Journal of the American College of Cardiology: Cardiovascular Imaging. , (2017).
  10. McCormick, N., Lacaille, D., Bhole, V., Avina-Zubieta, J. A. Validity of myocardial infarction diagnoses in administrative databases: a systematic review. PLoS ONE. 9 (3), e92286(2014).
  11. Huo, J., Yang, M., Tina Shih, Y. -C. Sensitivity of Claims-Based Algorithms to Ascertain Smoking Status More Than Doubled with Meaningful Use. Value in Health. , Available from: https://doi.org/10.1016/j.jval.2017.09.002 (2017).
  12. Nayan, M., et al. The value of complementing administrative data with abstracted information on smoking and obesity: A study in kidney cancer. Canadian Urological Association Journal. 11 (6), 167-171 (2017).
  13. Birman-Deych, E., et al. Accuracy of ICD-9-CM codes for identifying cardiovascular and stroke risk factors. Medical Care. 43 (5), 480-485 (2005).
  14. Preen, D. B., Holman, C. D., Spilsbury, K., Semmens, J. B., Brameld, K. J. Length of comorbidity lookback period affected regression model performance of administrative health data. Journal of Clinical Epidemiology. 59 (9), 940-946 (2006).
  15. Rector, T. S., et al. Specificity and sensitivity of claims-based algorithms for identifying members of Medicare+Choice health plans that have chronic medical conditions. Health Services Research. 39 (6 Pt 1), 1839-1857 (2004).
  16. Hernán, M. A., et al. Observational studies analyzed like randomized experiments: an application to postmenopausal hormone therapy and coronary heart disease. Epidemiology (Cambridge, Mass.). 19 (6), 766-779 (2008).
  17. Austin, P. C. The relative ability of different propensity score methods to balance measured covariates between treated and untreated subjects in observational studies. Medical Decision Making. 29 (6), 661-677 (2009).
  18. Robins, J. M., Hernan, M. A., Brumback, B. Marginal structural models and causal inference in epidemiology. Epidemiology. 11 (5), 550-560 (2000).
  19. Robins, J. Marginal structural models. 1997 Proceedings of the American Statistical Association, section on Bayesian statistical science. , 1-10 (1998).
  20. Thoemmes, F., Ong, A. D. A Primer on Inverse Probability of Treatment Weighting and Marginal Structural Models. Emerging Adulthood. 4 (1), 40-59 (2016).
  21. Xu, S., et al. Use of stabilized inverse propensity scores as weights to directly estimate relative risk and its confidence intervals. Value in Health: the Journal of the International Society for Pharmacoeconomics and Outcomes Research. 13 (2), 273-277 (2010).
  22. Cowper, D. C., Kubal, J. D., Maynard, C., Hynes, D. M. A primer and comparative review of major US mortality databases. Annals of Epidemiology. 12 (7), 462-468 (2002).
  23. Skopp, N. A., et al. Evaluation of a methodology to validate National Death Index retrieval results among a cohort of U.S. service members. Annals of epidemiology. 27 (6), 397-400 (2017).
  24. Buck, C. J. 2015 ICD-9-CM for Hospitals, Volumes 1, 2, & 3, Professional Edition. , Elsevier Saunders. (2015).
  25. Buck, C. J. 2018 ICD-10-CM for Hospitals, Professional Edition. , Elsevier Saunders. (2018).
  26. Guo, S., Fraser, W. M. Propensity Score Analysis: Statistical Methods and Applications, Second Edition. , Sage Publications. (2015).
  27. Elixhauser, A., Steiner, C., Harris, D. R., Coffey, R. M. Comorbidity measures for use with administrative data. Medical Care. 36 (1), 8-27 (1998).
  28. Charlson, M. E., Pompei, P., Ales, K. L., MacKenzie, C. R. A new method of classifying prognostic comorbidity in longitudinal studies: development and validation. Journal of Chronic Diseases. 40 (5), 373-383 (1987).
  29. Deyo, R. A., Cherkin, D. C., Ciol, M. A. Adapting a clinical comorbidity index for use with ICD-9-CM administrative databases. Journal of Clinical Epidemiology. 45 (6), 613-619 (1992).
  30. Austin, P. C., Stuart, E. A. 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. Statistical Methods in Medical Research. 26 (4), 1654-1670 (2017).
  31. Austin, P. C. Balance diagnostics for comparing the distribution of baseline covariates between treatment groups in propensity-score matched samples. Statistics in Medicine. 28 (25), 3083-3107 (2009).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

SAS

מאמרים קשורים