Wanneer gerandomiseerde gecontroleerde proeven zijn niet haalbaar, retrospectieve studies met behulp van Big data bieden een efficiënt en kosteneffectief alternatief, hoewel ze in gevaar voor behandeling selectie bias. Behandeling selectie bias treedt op in een niet-gerandomiseerde studie wanneer de behandeling selectie is gebaseerd op voor behandeling kenmerken die ook worden geassocieerd met de uitkomst. Deze voorbehandelings kenmerken, of medeoprichters, kunnen de evaluatie van het effect van een behandeling op de uitkomst beïnvloeden. Propensity scores minimaliseren deze bias door het balanceren van de bekende medeoprichters tussen behandelingsgroepen. Er zijn een aantal benaderingen voor het uitvoeren van neiging score analyses, met inbegrip van stratificatie door de neiging score, neiging matching, en inverse waarschijnlijkheid van behandeling weging (iptw). Hier beschreven is het gebruik van IPTW voor het balanceren van Baseline comorbiditeiten in een cohort van patiënten binnen de Amerikaanse militaire gezondheidszorgsysteem data repository (MDR). De MDR is een relatief optimale gegevensbron, omdat het een ingesloten cohort biedt waarin bijna volledige informatie over zieken-en poliklinische diensten beschikbaar is voor in aanmerking komende begunstigden. Hieronder wordt het gebruik van de MDR aangevuld met informatie uit de National Death index om robuuste sterftecijfers te verstrekken. Ook zijn er suggesties voor het gebruik van administratieve gegevens. Ten slotte deelt het protocol een SAS-code voor het gebruik van IPTW om bekende medeoprichters in evenwicht te brengen en de cumulatieve incidentie functie voor het resultaat van de rente te tekenen.