Odwrotne prawdopodobieństwo ważenia leczenia (ocena skłonności) przy użyciu Repozytorium Danych Wojskowego Systemu Opieki Zdrowotnej i Krajowego Indeksu Zgonów

Podsumowanie

Gdy randomizowane badania kontrolowane nie są możliwe, kompleksowe źródło danych o opiece zdrowotnej, takie jak Repozytorium Danych Wojskowego Systemu Opieki Zdrowotnej, stanowi atrakcyjną alternatywę dla analiz retrospektywnych. Uwzględnienie danych dotyczących śmiertelności z krajowego indeksu zgonów i zrównoważenie różnic między grupami za pomocą ważenia skłonności pomaga zmniejszyć błędy systematyczne nieodłącznie związane z projektami retrospektywnymi.

Streszczenie

Gdy randomizowane badania kontrolowane nie są wykonalne, retrospektywne badania z wykorzystaniem dużych zbiorów danych stanowią efektywną i opłacalną alternatywę, chociaż są one narażone na błąd systematyczny w doborze leczenia. Błąd systematyczny związany z wyborem leczenia występuje w badaniu nierandomizowanym, gdy wybór leczenia opiera się na cechach przed leczeniem, które są również związane z wynikiem. Te cechy przed leczeniem lub czynniki zakłócające mogą wpływać na ocenę wpływu leczenia na wynik. Wyniki skłonności minimalizują to odchylenie poprzez równoważenie znanych czynników zakłócających między grupami leczenia. Istnieje kilka podejść do przeprowadzania analiz oceny skłonności, w tym stratyfikacja według oceny skłonności, dopasowanie skłonności i odwrotne prawdopodobieństwo ważenia leczenia (IPTW). Opisano tutaj zastosowanie IPTW do zrównoważenia wyjściowych chorób współistniejących w kohorcie pacjentów w repozytorium danych wojskowego systemu opieki zdrowotnej USA (MDR). MDR jest stosunkowo optymalnym źródłem danych, ponieważ zapewnia zamkniętą kohortę, w której dla uprawnionych beneficjentów dostępne są prawie pełne informacje na temat usług szpitalnych i ambulatoryjnych. Poniżej przedstawiono wykorzystanie MDR uzupełnionego informacjami z krajowego indeksu zgonów w celu uzyskania wiarygodnych danych dotyczących śmiertelności. Znajdują się tam również sugestie dotyczące korzystania z danych administracyjnych. Wreszcie, protokół współdzieli kod SAS do używania IPTW do równoważenia znanych czynników zakłócających i wykreślania skumulowanej funkcji częstości występowania dla interesującego wyniku.

Wprowadzenie

Randomizowane, kontrolowane placebo badania są najmocniejszym projektem badawczym do ilościowego określenia skuteczności leczenia, ale nie zawsze są one wykonalne ze względu na wymagania kosztowe i czasowe lub brak równowagi między grupami leczenia¹. W takich przypadkach retrospektywny projekt kohorty wykorzystujący dane administracyjne na dużą skalę ("big data") często stanowi wydajną i opłacalną alternatywę, chociaż brak randomizacji wprowadza błąd systematyczny wyboru leczenia². Błąd systematyczny związany z doborem leczenia występuje w badaniach nierandomizowanych, gdy decyzja o leczeniu zależy od cech przed leczeniem, które są związane z interesującym nas wynikiem. Te cechy są znane jako czynniki zakłócające.

Ponieważ wyniki skłonności minimalizują ten błąd poprzez równoważenie znanych czynników zakłócających między grupami leczenia, stają się coraz bardziej popularne³. Wyniki skłonności zostały wykorzystane do porównania podejść chirurgicznych^{4 i schematów} medycznych⁵. Ostatnio wykorzystaliśmy analizę skłonności danych z Repozytorium Danych Wojskowego Systemu Zdrowia Stanów Zjednoczonych (MDR) w celu oceny wpływu statyn w prewencji pierwotnej wyników sercowo-naczyniowych w oparciu o obecność i nasilenie wapnia w tętnicach wieńcowych⁶.

MDR, używany rzadziej niż zestawy danych Medicare i VA do celów badawczych, zawiera obszerne informacje o roszczeniach administracyjnych i medycznych z usług szpitalnych i ambulatoryjnych świadczonych dla czynnej służby wojskowej, emerytów i innych beneficjentów opieki zdrowotnej Departamentu Obrony (DoD) oraz ich rodzin. Baza danych obejmuje usługi świadczone na całym świecie w amerykańskich wojskowych zakładach leczenia lub w obiektach cywilnych, na które rachunek wystawia Departament Obrony. Baza zawiera kompletne dane apteczne od 1 października 2001 roku. Dane laboratoryjne są dostępne od 2009 r., ale ograniczają się tylko do wojskowych zakładów leczniczych. W ramach MDR kohorty zostały zdefiniowane za pomocą metod obejmujących użycie kodów diagnoz (np. diabetes mellitus⁷) lub kodów procedur (np. chirurgia artroskopowa8). Alternatywnie, zewnętrznie zdefiniowana kohorta uprawnionych beneficjentów, taka jak rejestr, może zostać dopasowana do MDR w celu uzyskania danych wyjściowych i uzupełniających⁹. W przeciwieństwie do Medicare, MDR obejmuje pacjentów w każdym wieku. Jest również mniej stronniczy w stosunku do mężczyzn niż baza danych VA, ponieważ obejmuje osoby pozostające na utrzymaniu. Dostęp do MDR jest jednak ograniczony. Ogólnie rzecz biorąc, tylko śledczy, którzy są członkami Wojskowego Systemu Opieki Zdrowotnej, mogą ubiegać się o dostęp, analogicznie do wymagań dotyczących korzystania z bazy danych VA. Badacze pozarządowi ubiegający się o dostęp do danych wojskowych systemów opieki zdrowotnej muszą to zrobić na podstawie umowy o udostępnianiu danych pod nadzorem sponsora rządowego.

Podczas korzystania z dowolnego zestawu danych administracyjnych, ważne jest, aby pamiętać o ograniczeniach, jak również mocnych stronach kodowania administracyjnego. Czułość i swoistość kodu mogą się różnić w zależności od powiązanej diagnozy, niezależnie od tego, czy jest to diagnoza pierwotna, czy wtórna, czy jest to plik szpitalny czy ambulatoryjny. Kody pacjentów hospitalizowanych z powodu ostrego zawału mięśnia sercowego są na ogół podawane z dodatnimi wartościami predykcyjnymi powyżej 90%¹⁰, ale palenie tytoniu jest często niedostatecznie kodowane¹¹. Takie niedostateczne kodowanie może, ale nie musi mieć znaczącego wpływu na wyniki badania¹². Ponadto może istnieć kilka kodów dla danego schorzenia o różnym poziomie korelacji z daną chorobą¹³. Zespół dochodzeniowy powinien przeprowadzić kompleksowe przeszukanie literatury i przegląd podręczników kodowania Międzynarodowej Klasyfikacji Chorób, Dziewiątej Rewizji, Modyfikacji Klinicznej (ICD-9-CM) i/lub ICD-10-CM, aby upewnić się, że odpowiednie kody są włączone do badania.

Można zastosować kilka metod w celu poprawy czułości i dokładności kodów diagnostycznych do definiowania chorób współistniejących. Należy uwzględnić odpowiedni okres "retrospekcji" w celu ustalenia wyjściowych chorób współistniejących. Okres retrospekcji obejmuje usługi szpitalne i ambulatoryjne świadczone przed przystąpieniem do badania. Optymalny może być okres jednego roku¹⁴. Dodatkowo, wymaganie dwóch oddzielnych oświadczeń zamiast jednego oświadczenia może zwiększyć specyficzność, podczas gdy uzupełnienie danych kodowania danymi farmaceutycznymi może poprawić czułość¹⁵. Wybrane ręczne audyty wykresów na części danych mogą być wykorzystane do sprawdzenia dokładności strategii kodowania.

Po zdefiniowaniu i ocenie chorób współistniejących dla danej kohorty, można użyć oceny skłonności do zrównoważenia różnic w zmiennych towarzyszących między grupami leczenia. Wynik skłonności jest uzyskiwany na podstawie prawdopodobieństwa, że pacjent zostanie przypisany do leczenia na podstawie znanych zmiennych współistniejących. Uwzględnienie tej skłonności do leczenia zmniejsza wpływ, jaki zmienne towarzyszące mają na przypisanie leczenia i pomaga wygenerować dokładniejsze oszacowanie wpływu leczenia na wynik. Chociaż wyniki skłonności niekoniecznie zapewniają lepsze wyniki niż modele wielowymiarowe, pozwalają ocenić, czy grupy leczone i nieleczone są porównywalne po zastosowaniu wyniku skłonności³. Badacze prowadzący badanie mogą analizować bezwzględne standaryzowane różnice w współzmiennych przed i po dopasowaniu skłonności lub odwrotnym prawdopodobieństwie ważenia leczenia (IPTW), aby upewnić się, że znane czynniki zakłócające zostały zrównoważone między grupami. Co ważne, nieznane czynniki zakłócające mogą nie być zrównoważone i należy zdawać sobie sprawę z możliwości wystąpienia szczątkowych zakłóceń.

Jeśli jednak wyniki są wykonywane prawidłowo, są potężnym narzędziem, które może przewidywać i replikować wyniki randomizowanych kontrolowanych prób¹⁶. Spośród dostępnych technik oceny skłonności, ogólnie preferowane są dopasowywanie i IPTW¹⁷. W ramach IPTW pacjenci są ważeni na podstawie ich skłonności lub prawdopodobieństwa leczenia. Stabilizujące ciężary są ogólnie zalecane w stosunku do surowych mas, podczas gdy można również rozważyć przycinanie obciążników^18,19,20,21.

Gdy grupy badawcze zostaną zrównoważone, mogą być obserwowane aż do interesującego wyniku. Badania wykorzystujące dane administracyjne mogą być zainteresowane wynikami, takimi jak wskaźniki readmisji i analizy czasu do wystąpienia zdarzenia. W badaniach dotyczących śmiertelności Repozytorium Danych Wojskowego Systemu Opieki Zdrowotnej zawiera pole dotyczące stanu życiowego, które można dodatkowo zwiększyć za pomocą krajowego wskaźnika zgonów (NDI)^22,23. NDI to scentralizowana baza danych zawierająca informacje o aktach zgonu z urzędów stanowych, która jest zarządzana przez Centrum Kontroli Chorób. Śledczy mogą wnioskować o ustalenie podstawowego stanu cywilnego i/lub konkretnej przyczyny zgonu na podstawie aktu zgonu.

Poniższy protokół szczegółowo opisuje proces przeprowadzania administracyjnego badania bazy danych przy użyciu MDR wzbogaconego o informacje o śmiertelności z NDI. Szczegółowo opisano w nim zastosowanie IPTW w celu zrównoważenia różnic wyjściowych między dwiema grupami leczenia, w tym kod SAS i przykładowe dane wyjściowe.

Protokół

Poniższy protokół jest zgodny z wytycznymi naszych instytucjonalnych komitetów etyki ludzkiej.

1. Definiowanie kohorty

1. Określ i jasno zdefiniuj kryteria włączenia i wykluczenia planowanej kohorty za pomocą 1) rejestru lub 2) punktów danych, które można wyodrębnić z MDR, takich jak kody administracyjne diagnoz lub procedur (tj. wszyscy pacjenci z więcej niż dwoma diagnozami ambulatoryjnymi lub jedną hospitalizacją migotania przedsionków).
   1. Jeśli korzystasz z rejestru, dołącz co najmniej dwa identyfikatory pacjenta w celu dokładnego dopasowania do repozytorium danych wojskowego systemu opieki zdrowotnej, takie jak numer dokumentacji medycznej (wymieniony w różnych zestawach danych jako patuniq i edipn), imię i nazwisko, datę urodzenia i/lub numer ubezpieczenia społecznego sponsora.
      UWAGA: Podobnie jak w przypadku wszystkich badań wykorzystujących osobiste informacje o stanie zdrowia, wymagane są środki ostrożności i należy ich przestrzegać. Podczas procesu gromadzenia danych należy zastosować odpowiednie szyfrowanie i zarządzanie danymi, a informacje powinny zostać jak najszybciej pozbawione elementów pozwalających na identyfikację.
      UWAGA: Odnosząc się do numeru ubezpieczenia społecznego sponsora (sponssn), wszyscy pacjenci są wymienieni w odniesieniu do ich pokrewieństwa z członkiem wojska (lub sponsorem), w tym identyfikator sponsora, małżonka i dzieci. Należy pamiętać, że kod związku i numer ubezpieczenia społecznego sponsora mogą z czasem ulec zmianie w zbiorze danych, gdy pacjenci stają się dorośli i biorą ślub lub rozwodzą się. W ten sposób wiele identyfikatorów pacjentów pomaga zapewnić dokładność.
   2. W przypadku definiowania kohort za pomocą kodowania administracyjnego należy przeprowadzić kompleksowe przeszukiwanie literatury w celu zidentyfikowania wcześniejszych badań, które potencjalnie potwierdziły kody zainteresowania. Zapoznaj się z instrukcjami ICD-9-CM²⁴ i/lub ICD-10-CM²⁵, aby wyjaśnić definicje kodów i kody sąsiednie, aby upewnić się, że używany jest odpowiedni zakres kodów. Ponadto należy zapoznać się z tabelami odsyłaczy zawartymi w podręcznikach w celu rozważenia dodatkowych kodów włączenia/wykluczenia. Wcześniejsze badania walidacyjne zawierają raporty o pozytywnej wartości predykcyjnej, czułości i swoistości dla różnych administracyjnych strategii kodowania. Pomagają one w optymalizacji doboru kohort, a także identyfikacji wyników.
2. Ustal, czy istnieją ograniczenia (np. ze względu na wiek) dotyczące żądanej kohorty lub inne kryteria wykluczenia, które należy uwzględnić w żądaniu danych.
3. Zdefiniuj okres badania, aby uwzględnić czas przed datą indeksu w celu zebrania podstawowych zmiennych współzmiennych (zwykle 12 miesięcy w badaniach danych administracyjnych), a także datę zakończenia badania.

2. Definiowanie współzmiennych i wyników

1. Zdefiniuj kody administracyjne dla warunków zakłócających, przeszukując literaturę i korzystając z podręczników ICD-9-CM²⁴ i/lub ICD-10-CM²⁵, jak to opisano w kroku 1.1.2 powyżej.
2. Określ inne niezbędne zmienne współistniejące, w tym dane demograficzne, leki i dane laboratoryjne.
3. Przejrzyj dostępne pola danych w słowniku danych MDR tutaj: https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents.

3. Składanie wniosku o MDR

1. Uzyskanie zgody Instytucjonalnej Komisji Rewizyjnej.
2. Wypełnij wniosek o zgodę na udostępnianie danych, który można znaleźć tutaj: https://health.mil/Military-Health-Topics/Privacy-and-Civil-Liberties/Submit-a-Data-Sharing-Application?type=All#RefFeed. W ramach aplikacji określ pola danych i pliki, o które prosi się w arkuszu ekstrakcji repozytorium danych wojskowego systemu opieki zdrowotnej DRT (MDR) (link z formularza wniosku). Określ, czy zespół prosi analityka danych o dostarczenie nieprzetworzonych danych, czy też zespół będzie miał bezpośredni dostęp do MDR. Określ ponadto, czy żądanie dotyczy jednorazowego ściągania danych, czy też żądania regularnych ściągań są żądane codziennie, co miesiąc czy co rok.
   UWAGA: Aby uzyskać dane MDR jakąkolwiek metodą, musi istnieć sponsor, który jest pracownikiem rządowym (wojskowym w czynnej służbie lub GS), który zwykle jest członkiem zespołu śledczego.
3. Jeśli uzyskujesz bezpośredni dostęp do MDR, wypełnij "Formularz wniosku o autoryzację MDR" i "Formularz MDR CS 2875", które można znaleźć tutaj: https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents.

4. Dostęp do MDR i pobieranie odpowiednich danych

1. Jeśli uzyskujesz bezpośredni dostęp do MDR, postępuj zgodnie z instrukcjami dotyczącymi uzyskiwania dostępu i korzystania z MDR, w tym wymaganiami programowymi i przykładowymi programami SAS, które są dostępne w "MDR User's Guide" i "MDR Functional Guide" znajdujących się tutaj: https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents.
   UWAGA: Pliki są zapisywane w formacie SAS i dostępne za pośrednictwem powłoki uniksowej, zazwyczaj za pomocą programu putty.exe, a także programu ftp. Wymagana jest znajomość SAS.
2. Aby uzyskać pomocny przegląd konfiguracji MDR, zapoznaj się z Przewodnikiem Departamentu Obrony dla badaczy Departamentu Obrony na temat korzystania z danych MHS https://health.mil/Reference-Center/Publications/2012/10/10/Guide-for-DoD-Researchers-on-Using-MHS-Data.
3. Podobnie jak w kroku 2.3, przejrzyj Słownik danych MDR, aby uzyskać szczegółowe informacje na temat wszystkich dostępnych plików danych https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents.
   UWAGA: Nie wszystkie pliki danych zawierają wszystkie identyfikatory pacjentów do dopasowania/scalenia. Słownik danych pomaga wyświetlić listę identyfikatorów, które są dostępne dla każdego pliku danych. Numer identyfikacyjny Departamentu Obrony, określany również jako "patuniq" lub "edipn", jest potrzebny na przykład do wydobycia informacji o aptece. Posiadanie wszystkich odpowiednich identyfikatorów pacjentów na etapie eksploracji danych jest zatem ważne, aby zapewnić możliwość dopasowania wszystkich informacji o pacjencie z wielu lat i wielu zestawów danych. Należy podkreślić, że nieodłącznym elementem badań, które obejmują chronione informacje o zdrowiu, jest ścisłe przestrzeganie procedur ochrony danych po uzyskaniu niezbędnego zatwierdzenia, a chronione informacje o zdrowiu powinny zostać zniszczone, gdy nie są już potrzebne.
4. Uzyskaj niezbędne identyfikatory pacjentów dla kohorty, uzyskując dostęp do danych beneficjenta vm6 (od września 2002 r. do chwili obecnej) lub pliku pben (od września 2000 r. do września 2002 r.).
   1. Użyj poniższego makra lub podobnego programu, aby dopasować dane vm6 do pliku kohortowego. W takim przypadku kod może być użyty w takiej postaci, w jakiej został napisany, aby znaleźć numery dokumentacji medycznej pacjenta (MRN) dla danego pacjenta społecznościowego, który znajduje się już w pliku kohorty. Użyj różnych nazw zmiennych w plikach rysunku danych vm6 i plikach kohortowych dla nazwisk pacjentów i dat urodzenia, aby ułatwić późniejsze sprawdzanie błędów. Aby zabezpieczyć chronione informacje o zdrowiu, należy przechowywać dane wraz z identyfikatorami pacjentów w węźle usługi w miejscu przewidzianym w ramach żądania danych (patrz Podręcznik użytkownika MDR).
      UWAGA: Numery MRN są określane jako numer identyfikacyjny DOD, PATUNIQ lub EDIPN w MDR).
      
   2. Ponieważ wpisy w bazie danych nigdy nie są całkowicie wolne od błędów, wykonuj sprawdzanie błędów po każdym głównym kroku, a także sprawdzaj dziennik programu i dane wyjściowe pod kątem potencjalnych problemów. Skorzystaj z poniższego kroku dotyczącego danych, aby przejrzeć potencjalne niezgodności z powyższym kodem (pliki pacjentów są dopasowywane na podstawie społeczności pacjenta/beneficjenta). Podczas porównywania nazw z pliku kohorty (nazwisko, imię) z plikiem vm6 (last_name, first_name) dopasuj tylko pierwsze trzy litery, aby zmniejszyć liczbę fałszywych błędów, które pojawiają się przy różnicach w pisowni/odstępach między plikami.
      
   3. Przejrzyj plik z danymi o błędach ("nazwa kontrolna"). Ignoruj błędy spowodowane interpunkcją (O'Reilly vs. OReilly). Sprawdź inne niepokojące błędy przy ręcznym przeglądzie dokumentacji medycznej lub rozważ odrzucenie istotnych informacji o pacjencie/pacjencie, jeśli występują istotne błędy i jeśli weryfikacja nie jest możliwa.
5. Wyodrębnij pozostałe potrzebne dane z MDR.
   1. W razie potrzeby uzyskaj rasę i płeć z plików vm6ben (pliki pben sprzed września 2002 r.), połącz z plikiem kohorty i sprawdź, czy nie ma błędów, jak to zrobiono powyżej:
      
   2. Uzyskaj dane o zgonie z głównego pliku zgonu, scal je z plikiem kohorty i sprawdź, czy nie ma błędów, jak wykonano powyżej:
      
   3. Uzyskaj dodatkowe pliki danych potrzebne do analizy (zobacz MDR Functional User's Guide dla lokalizacji danych oraz dodatkowe pomocne makra i kod SAS).
      UWAGA: Dane są przechowywane w osobnych plikach w zależności od tego, czy zostały dostarczone bezpośrednio przez wojskowy system opieki zdrowotnej, czy dostarczone gdzie indziej i rozliczone z wojskowym systemem opieki zdrowotnej. Przykładowe pliki są pokazane poniżej.
      CAPER – bezpośrednia opieka, akta ambulatoryjne od roku finansowego 2004–obecnie
      SADR – bezpośrednia opieka, akta ambulatoryjne z lat 1998–2005
      SIDR – bezpośrednia opieka, hospitalizacje szpitalne (bezpośrednia opieka) od 1989 r. do chwili obecnej
      TEDI – rozliczana opieka, akta roszczeń instytucjonalnych za rok 2001–obecnie
      HCSRI – opieka płatna, roszczenia instytucjonalne za lata 1994–2005
      TEDNI – opieka płatna, roszczenia pozainstytucjonalne za rok obrotowy 2001–obecnie
      HCSRNI – opieka płatnicza, roszczenia pozainstytucjonalne za lata 1994–2005
      PDTS – kartoteka apteczna z indywidualnymi receptami od 2002 r. do chwili obecnej

5. Scalanie danych i konstruowanie plików podsumowujących

1. Niezależnie od tego, czy dane są uzyskiwane od analityka danych, czy bezpośrednio z MDR, jak to opisano w sekcji 4 powyżej, pliki danych będą musiały zostać zsumowane i połączone w celu utworzenia pliku analizy. W trakcie całego procesu wykorzystuj metody, które poprawiają dokładność danych, w tym sprawdzanie błędów oraz przegląd dzienników i danych wyjściowych, jak również omówiono wcześniej.
   1. Podczas scalania danych należy w miarę możliwości używać co najmniej dwóch identyfikatorów pacjenta, aby zapewnić silne dopasowanie (takie jak numer dokumentacji medycznej i data urodzenia), ponieważ błędy mogą występować w dowolnym polu. Po scaleniu danych przejrzyj dane, aby zapewnić oczekiwane wyniki. Uruchom kod, aby upewnić się, że pierwsze trzy litery nazwy są zgodne, a także inny identyfikator lub dwa, co jest przydatne do sprawdzenia poprawności dopasowań (patrz krok 4.5.1).
      UWAGA: Nazwisko może się nie zgadzać, jeśli pacjent był żonaty w danym okresie. Mogą również występować niewielkie różnice w polach nazw ze względu na apostrofy lub odstępy, a także literówki.
   2. Zwróć szczególną uwagę na dopasowania na końcowych etapach procesu, takich jak definiowanie pacjentów, którzy mieli wyniki.
2. Wyodrębnij wyjściowe choroby współistniejące za pomocą kodów ICD-9-CM lub ICD-10-CM z okresu przed datą indeksu, czyli dniem, w którym pacjent jest uważany za uczestnika badania. Ogólnie rzecz biorąc, do zdefiniowania chorób współistniejących należy użyć 12 miesięcy przed datą indeksacji.
   1. Upewnij się, że pacjenci kwalifikowali się do wojskowego systemu opieki zdrowotnej w okresie podstawowym (można to weryfikować co miesiąc w pliku vm6ben).
   2. Przeszukaj kody diagnozy wyjściowej w aktach ambulatoryjnych i/lub szpitalnych, aby ustalić wyjściowe choroby współistniejące w początkowym okresie 12 miesięcy przed datą indeksu. Należy użyć kodów ICD-9-CM lub ICD-10-CM określonych w sekcji 1. W przypadku stosowania leku Elixhauser z chorobami współistniejącymi należy korzystać z dostępnego oprogramowania HCUP, upewniając się, że w razie potrzeby zmodyfikowałeś nazwy zmiennych diagnostycznych i plików. (https://www.hcup-us.ahrq.gov/toolssoftware/comorbidity/comorbidity.jsp#download)
3. Przeszukaj kartoteki szpitalne i/lub szpitalne po dacie indeksu pod kątem interesujących wyników zdefiniowanych przez kody ICD-9-CM lub ICD-10-CM, takich jak hospitalizacja z powodu zawału mięśnia sercowego jako podstawowej diagnozy (wyszukaj 410.x1 w SIDR).
4. Ustal datę zakończenia badania dla wszystkich pacjentów jako granicę dla obserwacji dla pacjentów, którzy nie wykazali interesującego ich wyniku. Określ, którzy pacjenci muszą zostać ocenzurowani przed zakończeniem badania.
   1. Przeszukaj plik vm6ben, aby upewnić się, że kwalifikuje się do opieki zdrowotnej do daty zakończenia badania; w przeciwnym razie ocenzuruj pacjenta w momencie utraty kwalifikacji.
   2. Jeśli ważne jest, aby ograniczyć badanie do aktywnych użytkowników systemu opieki zdrowotnej niezależnie od kwalifikowalności, takich jak aktywni użytkownicy apteki, należy określić ostatni kontakt z opieką zdrowotną (taki jak ostatnie zapełnienie leku) w plikach danych i ocenzurować pacjentów w tym dniu.
      UWAGA: Zachowaj ostrożność podczas spotkań telefonicznych, ponieważ mogą one znaleźć się w dokumentacji medycznej po śmierci lub jeśli beneficjent opuścił system opieki zdrowotnej w inny sposób.

6. Zgodność z krajowym indeksem zgonów (NDI)

1. Po zidentyfikowaniu pełnej kohorty wyślij informacje do krajowego indeksu zgonów w celu dopasowania, czy śmiertelność jest punktem końcowym.
   1. Po pierwsze, należy zawrzeć zamiar dopasowania do NDI we wnioskach o dane MDR i zatwierdzenie IRB. Upewnij się, że zatwierdzono i wykonano wszystkie kroki szyfrowania danych przed wysłaniem chronionych informacji zdrowotnych (PHI) do NDI w celu dopasowania.
2. "Formularz zgłoszeniowy dotyczący krajowego indeksu zgonów (NDI)" oraz wskazówki dotyczące żądania danych dotyczących zgonów z krajowego indeksu zgonów można znaleźć tutaj: https://www.cdc.gov/nchs/ndi/index.htm.
3. Wyślij dane na chronionej hasłem płycie CD pocztą nocną do NDI. Wyniki zostaną odesłane około 2 tygodnie później w ten sam sposób.
4. Po otrzymaniu wyników NDI przejrzyj częściowe dopasowania pod kątem potencjalnego włączenia/wykluczenia.
   1. "Rozdział 4 - Ocena wyników NDI" zawiera pomocny przegląd wyników przeglądu i można go znaleźć na tej samej stronie internetowej: https://www.cdc.gov/nchs/ndi/index.htm. Dopasowania numeru ubezpieczenia społecznego zazwyczaj zapewniają najsilniejsze dopasowanie.
   2. W razie potrzeby sprawdź zgony w Indeksie Zgonów Ubezpieczeń Społecznych i/lub Podsystemie Lokalizowania Rekordów Identyfikacyjnych Beneficjentów Spraw Weteranów (BIRLS), aby zwiększyć dokładność. Należy pamiętać, że członkowie służby, którzy zmarli za granicą, prawdopodobnie nie pojawią się w poszukiwaniu NDI, ale często są rozpoznawani w aktach stanu cywilnego MDR lub w VA BIRLS.
5. Scal plik zgonu z głównym plikiem kohorty po zakończeniu przeglądu.

7. Dane deidentyfikujące

1. Po uzyskaniu wszystkich niezbędnych informacji usuń elementy pozwalające na identyfikację plików danych, aby chronić chronione informacje o zdrowiu. Wygeneruj losowy identyfikator pacjenta dla każdego pacjenta za pomocą "ranuni" (patrz Funkcjonalny podręcznik użytkownika MDR). Usuń dane społeczne pacjenta, numer dokumentacji medycznej, datę urodzenia (po przeliczeniu wieku) itp. z plików danych. W razie potrzeby (i zatwierdzenia) należy bezpiecznie przechowywać klucz, który łączy losowy identyfikator pacjenta z chronionymi informacjami zdrowotnymi w węźle SCE.

8. Obliczanie wyniku skłonności^18,19,26

1. Użyj regresji logistycznej do modelowania prawdopodobieństwa leczenia (proc logistic w SAS).
   1. Określ plik danych ("dat" w przykładzie).
   2. Użyj instrukcji class, aby określić zmienne jakościowe. Użyj "ref = first", aby określić najniższą wartość (na przykład 0) jako wartość odniesienia.
   3. W instrukcji modelu określ zmienną leczenia jako zmienną zależną (Rx) i ustaw wartość "zdarzenia" jako wartość dla otrzymania leczenia (w tym przypadku 1).
   4. Należy uwzględnić wszelkie możliwe predyktory otrzymania leczenia jako zmienne towarzyszące w modelu, zwłaszcza jeśli mogą one być predyktorami wyniku (np. zgonu). Należy rozważyć, czy interakcje między terminami mogą mieć wpływ na leczenie. Uwzględnij je w modelu, używając znaku "*" (takiego jak male*ckd) lub użyj składni pokazanej poniżej, umieszczając znak "|" między współzmiennymi i "@2" na końcu, aby określić wszystkie interakcje 2 x 2, zgodnie z potrzebami konkretnego modelu.
   5. Użyj instrukcji output, aby określić, że przewidywane prawdopodobieństwo leczenia (prob) zostanie zdefiniowane przez "ps" i dane wyjściowe do pliku "ps_data."
      
      UWAGA: Zmienne w modelu: mężczyzna: płeć męska (binarna), PChN: przewlekła choroba nerek (binarna), wątroba: przewlekła choroba wątroby (binarna), cukrzyca (binarna), POChP: przewlekła obturacyjna choroba płuc (binarna), CHF: niewydolność serca (binarna), cad: choroba wieńcowa (binarna), CVD: choroba naczyń mózgowych (binarna), PAD: choroba tętnic obwodowych (binarna), wiek (ciągła).
2. Oblicz wagi na podstawie przewidywanego prawdopodobieństwa (wynik skłonności). Jeśli pacjent otrzymał leczenie (Rx = 1), wówczas waga oceny skłonności wynosi 1/(ocena skłonności). Jeśli pacjent nie otrzymał leczenia, waga oceny skłonności wynosi 1/(1 - ocena skłonności).
   
3. Ustabilizuj wynik skłonności, dzieląc go przez średnią wagę. W poniższym kodzie, Proc oznacza, że wyprowadza średnią wagę do zmiennej "mn_wt" w pliku danych "m". Poniższy zestaw danych, który zachowuje mn_wt z pliku danych "m", następnie oblicza ustabilizowane wyniki skłonności (st_ps_weight) dla każdej obserwacji.
   
4. Sprawdź równoważenie po zastosowaniu odwrotnego prawdopodobieństwa ważenia leczenia.
   1. Makro stddiff upraszcza obliczanie ustandaryzowanych średnich różnic dla współzmiennych przed i po ważeniu w SAS. Kod makra można znaleźć tutaj: http://www.lerner.ccf.org/qhs/software/lib/stddiff.sas.
   2. Obliczyć znormalizowaną średnią różnicę przed ważeniem. Podobnie jak w przypadku wszystkich makr, kod makra powinien zostać uruchomiony w sygnaturze dostępu współdzielonego przed jego wywołaniem. Poniżej znajduje się przykładowa instrukcja call z interesującymi współzmiennymi.
      
      Inds - zbiór danych wejściowych, groupvar - zmienna określająca badane grupy, charvars - zmienne jakościowe, numvars - zmienne ciągłe, stdfmt - format standaryzowanej różnicy, outds - wyjściowy zbiór danych.
   3. Wywołaj ponownie makro stddiff, aby obliczyć ustandaryzowaną średnią różnicę po ważeniu. "Wtvar" określa zmienną zawierającą standaryzowany wynik skłonności i jest dodawana do instrukcji wywołania makra. Jeśli wszystkie ustandaryzowane różnice są mniejsze lub równe 0,1, wówczas równoważenie uważa się za pomyślne.
      
5. ASD przed i po ważeniu można przedstawić w formie tabelarycznej lub wykresowej. Wskazówki dotyczące korzystania z makra SAS do generowania wykresu można znaleźć w materiałach uzupełniających.
6. Dane skorygowane o IPTW mogą być teraz wykorzystane w analizie jednowymiarowej po zapewnieniu zrównoważenia zmierzonych czynników zakłócających.

9. Tworzenie modelu wynikowego i generowanie wykresu skumulowanej funkcji częstości występowania

1. Istnieje kilka sposobów, w jakie można wykreślić wynikową analizę czasu do zdarzenia, w tym za pomocą proc lifetest do wygenerowania wykresu przeżycia. Użyj oświadczenia o wadze, aby wskazać znormalizowaną wagę skłonności.
2. Aby wygenerować wykres cif przy użyciu wagi skłonności, użyj proc phreg.
   1. W proc phreg odwołuje się do pliku współzmiennych, aby określić wartości współzmiennych, które mają być używane podczas generowania wykresu. W tym przypadku plik współzmiennych zawiera tylko pojedynczą zmienną Rx, która może mieć wartość 1 lub 0,
      
   2. Włącz grafikę ods. W razie potrzeby użyj dodatkowych instrukcji, aby określić pliki wyjściowe dla wykresu lub typu pliku (jpeg itp.; zobacz https://support.sas.com/documentation/cdl/en/statug/63962/HTML/default/viewer.htm#statug_odsgraph_sect014.htm).
      
   3. W składni proc phreg użyj instrukcji weight, aby określić znormalizowaną zmienną oceny skłonności. Określ wartości współzmiennych linii bazowej za pomocą instrukcji linii bazowej, aby móc wykreślić skumulowaną funkcję częstości występowania. Określ warstwy, które mają być używane na wykresie, używając "rowid" (w tym przypadku RX 1 vs. 0). Liczba w nawiasach następujących po zmiennej wynikowej ("zdarzenie") określa wartość (wartości) zmiennej, która powinna zostać ocenzurowana, która powinna zawierać datę cenzurowania i wszelkie konkurencyjne wydarzenia. W tym przypadku 0 jest cenzurowane, a 1 jest prawdziwym wydarzeniem.
      

Wyniki

Po zakończeniu IPTW można wygenerować tabele lub wykresy bezwzględnych różnic standaryzowanych, używając odpowiednio kodu makra stddiff lub kodu makra asdplot. Rysunek 1 pokazuje przykład odpowiedniego równoważenia w dużej grupie 10 000 uczestników przy użyciu makra asdplot. Po zastosowaniu oceny skłonności bezwzględne standaryzowane różnice uległy znacznemu zmniejszeniu. Punkt odcięcia używany dla bezwzględnej standaryzowanej różnicy jest nieco arbitralny, c...

Dyskusja

Analizy retrospektywne z wykorzystaniem dużych zbiorów danych administracyjnych stanowią wydajną i opłacalną alternatywę, gdy randomizowane badania kontrolowane nie są wykonalne. Odpowiedni zestaw danych będzie zależał od populacji i zmiennych będących przedmiotem zainteresowania, ale MDR jest atrakcyjną opcją, która nie ma ograniczeń wiekowych widocznych w przypadku danych Medicare. W przypadku każdego zestawu danych ważne jest, aby dokładnie zapoznać się z jego układem i słownikiem danych. Po drodze należy zadbać o to,...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Nagrywarka CD (dla żądania NDI)
Komputer
Putty.exe	Putty.org
SAS 9.4	SAS Institute Cary, NC
WinSCP lub innym oprogramowaniem FTP	https://winscp.net/eng/index.php