Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Medicine
Click here for the English version

Medicine

सैन्य स्वास्थ्य प्रणाली डेटा भंडार और राष्ट्रीय मृत्यु सूचकांक का उपयोग करके उपचार भार (प्रवृत्ति स्कोर) की विलोम संभावना

Published: January 8, 2020 doi: 10.3791/59825
Automatic Translation
1, 2, 3, 1, 4
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

Summary

जब यादृच्छिक नियंत्रित परीक्षण व्यवहार्य नहीं होते हैं, तो सैन्य स्वास्थ्य प्रणाली डेटा भंडार जैसे एक व्यापक स्वास्थ्य देखभाल डेटा स्रोत पूर्वव्यापी विश्लेषणों के लिए एक आकर्षक विकल्प प्रदान करता है। राष्ट्रीय मृत्यु सूचकांक से मृत्यु दर के आंकड़ों को शामिल करना और प्रवृत्ति भार का उपयोग करने वाले समूहों के बीच संतुलन मतभेद पूर्वव्यापी डिजाइनों में निहित पूर्वाग्रहों को कम करने में मदद करता है ।

Abstract

जब यादृच्छिक नियंत्रित परीक्षण व्यवहार्य नहीं होते हैं, तो बड़े डेटा का उपयोग करके पूर्वव्यापी अध्ययन एक कुशल और लागत प्रभावी विकल्प प्रदान करते हैं, हालांकि वे उपचार चयन पूर्वाग्रह के लिए जोखिम में हैं। उपचार चयन पूर्वाग्रह एक गैर-यादृच्छिक अध्ययन में होता है जब उपचार चयन पूर्व-उपचार विशेषताओं पर आधारित होता है जो परिणाम से भी जुड़े होते हैं। ये पूर्व उपचार विशेषताओं, या confounders, परिणाम पर एक उपचार के प्रभाव के मूल्यांकन को प्रभावित कर सकते हैं । प्रवृत्ति स्कोर उपचार समूहों के बीच ज्ञात confounders संतुलन द्वारा इस पूर्वाग्रह को कम करने । प्रवृत्ति स्कोर विश्लेषण करने के लिए कुछ दृष्टिकोण हैं, जिनमें प्रवृत्ति स्कोर द्वारा स्तरीकरण, प्रवृत्ति मिलान, और उपचार भार (आईपीटीडब्ल्यू) की उलटा संभावना शामिल है। यहां वर्णित अमेरिकी सैन्य स्वास्थ्य प्रणाली डेटा भंडार (एमडीआर) के भीतर रोगियों की एक पलटन में बेसलाइन comorbidities संतुलन के लिए IPTW का उपयोग है । एमडीआर एक अपेक्षाकृत इष्टतम डेटा स्रोत है, क्योंकि यह एक निहित पलटन प्रदान करता है जिसमें पात्र लाभार्थियों के लिए पेशेंट और पेशेंट सेवाओं के बारे में लगभग पूरी जानकारी उपलब्ध है। नीचे उल्लिखित एमडीआर का उपयोग राष्ट्रीय मृत्यु सूचकांक से जानकारी के साथ पूरक के लिए मजबूत मृत्यु दर डेटा प्रदान कर रहा है । प्रशासनिक आंकड़ों का उपयोग करने के लिए सुझाव भी प्रदान किए गए हैं। अंत में, प्रोटोकॉल ज्ञात confounders संतुलन और ब्याज के परिणाम के लिए संचयी घटना समारोह की साजिश के लिए IPTW का उपयोग करने के लिए एक SAS कोड साझा करता है ।

Introduction

यादृच्छिक, प्लेसबो-नियंत्रित परीक्षण उपचार की प्रभावकारिता की मात्रा निर्धारित करने के लिए सबसे मजबूत अध्ययन डिजाइन हैं, लेकिन लागत और समय की आवश्यकताओं या उपचार समूहों1के बीच इक्विजियोज़ की कमी के कारण वे हमेशा संभव नहीं होते हैं। इन उदाहरणों में, बड़े पैमाने पर प्रशासनिक डेटा ("बिग डेटा") का उपयोग करके एक पूर्वव्यापी पलटन डिजाइन अक्सर एक कुशल और लागत प्रभावी विकल्प प्रदान करता है, हालांकि यादृच्छिकता की कमी उपचार चयन पूर्वाग्रह2का परिचय देती है। उपचार चयन पूर्वाग्रह गैर-यादृच्छिक अध्ययनों में होता है जब उपचार निर्णय पूर्व-उपचार विशेषताओं पर निर्भर करता है जो ब्याज के परिणाम से जुड़े होते हैं। इन विशेषताओं को भ्रामक कारकों के रूप में जाना जाता है।

क्योंकि प्रवृत्ति स्कोर उपचार समूहों के बीच ज्ञात confounders संतुलन द्वारा इस पूर्वाग्रह को कम करने, वे तेजी से लोकप्रिय हो गए हैं3। प्रवृत्ति स्कोर शल्य चिकित्सा दृष्टिकोण4 और चिकित्सा आहार5की तुलना करने के लिए इस्तेमाल किया गया है । हाल ही में, हमने कोरोनरी धमनी कैल्शियम6की उपस्थिति और गंभीरता के आधार पर हृदय परिणामों की प्राथमिक रोकथाम में स्टेटिन के प्रभाव का आकलन करने के लिए संयुक्त राज्य अमेरिका सैन्य स्वास्थ्य प्रणाली डेटा भंडार (एमडीआर) से डेटा के एक प्रवृत्ति विश्लेषण का उपयोग किया है।

एमडीआर, अनुसंधान प्रयोजनों के लिए चिकित्सा और VA डेटा सेट की तुलना में कम बार उपयोग किया, सक्रिय कर्तव्य सैंय, सेवानिवृत्त, और अंय रक्षा विभाग (DoD) स्वास्थ्य लाभार्थियों और उनके आश्रितों के लिए प्रदान की पेशेंट और आउट पेशेंट सेवाओं से व्यापक प्रशासनिक और चिकित्सा दावों की जानकारी शामिल है । डेटाबेस में अमेरिकी सैन्य उपचार सुविधाओं या डीओडी को बिल की गई नागरिक सुविधाओं पर दुनिया भर में प्रदान की जाने वाली सेवाएं शामिल हैं । डेटाबेस में 1 अक्टूबर, 2001 से पूरा फार्मेसी डेटा शामिल है। प्रयोगशाला डेटा २००९ से उपलब्ध है, लेकिन केवल सैंय उपचार सुविधाओं तक ही सीमित है । एमडीआर के भीतर, साथियों को निदान कोड (जैसे, मधुमेह मेलिटस7)या प्रक्रिया कोड (जैसे, आर्थ्रोस्कोपिक सर्जरी8)के उपयोग सहित तरीकों के साथ परिभाषित किया गया है। वैकल्पिक रूप से, पात्र लाभार्थियों की बाहरी रूप से परिभाषित पलटन, जैसे रजिस्ट्री, बेसलाइन और अनुवर्ती डेटा9प्राप्त करने के लिए एमडीआर से मिलान किया जा सकता है। मेडिकेयर के विपरीत, एमडीआर में सभी उम्र के रोगी शामिल हैं। यह वीए डेटाबेस की तुलना में पुरुषों के प्रति भी कम पक्षपाती है क्योंकि इसमें आश्रित शामिल हैं। एमडीआर तक पहुंच सीमित है, लेकिन । आम तौर पर, केवल जांचकर्ता जो सैन्य स्वास्थ्य प्रणाली के सदस्य हैं, वे वीए डेटाबेस के उपयोग के लिए आवश्यकताओं के अनुरूप पहुंच का अनुरोध कर सकते हैं। सैन्य स्वास्थ्य प्रणालियों के आंकड़ों तक पहुंच की मांग करने वाले गैर-सरकारी शोधकर्ताओं को सरकारी प्रायोजक की देखरेख में डेटा साझा करने के समझौते के माध्यम से ऐसा करना चाहिए ।

किसी भी प्रशासनिक डेटा सेट का उपयोग करते समय, सीमाओं के साथ-साथ प्रशासनिक कोडिंग की ताकत को ध्यान में रखना महत्वपूर्ण है। कोड की संवेदनशीलता और विशिष्टता संबंधित निदान के आधार पर भिन्न हो सकती है, चाहे वह प्राथमिक या माध्यमिक निदान हो, या चाहे वह पेशेंट या पेशेंट फाइल हो। तीव्र मायोकार्डियल इंफार्क्शन के लिए पेशेंट कोड आम तौर पर 90%10से अधिक सकारात्मक भविष्य कहनेवाला मूल्यों के साथ सटीक रूप से सूचित किए जाते हैं, लेकिन तंबाकू के उपयोग को अक्सर11अंडरकोड किया जाता है । इस तरह के अंडरकोडिंग का अध्ययन केपरिणामों 12पर सार्थक प्रभाव पड़ सकता है या नहीं हो सकता है । इसके अतिरिक्त, किसी दिए गए स्थिति के लिए कई कोड प्रश्न13में रोग के सहसंबंध के अलग-अलग स्तरों के साथ मौजूद हो सकते हैं। एक खोजी दल को एक व्यापक साहित्य खोज और रोग के अंतर्राष्ट्रीय वर्गीकरण, नौवें संशोधन, नैदानिक संशोधन (आईसीडी-9-सेमी) और/या आईसीडी-10-सेमी कोडिंग मैनुअल की समीक्षा करनी चाहिए ताकि यह सुनिश्चित किया जा सके कि उचित कोड अध्ययन में शामिल हैं ।

कोमोर्बिड स्थितियों को परिभाषित करने के लिए नैदानिक कोड की संवेदनशीलता और सटीकता में सुधार करने के लिए कई तरीकों को नियोजित किया जा सकता है। बेसलाइन कोऑर्बिडिटीज स्थापित करने के लिए एक उपयुक्त "लुक-बैक" अवधि शामिल की जानी चाहिए। लुक-बैक पीरियड में स्टडी एंट्री से पहले दी जाने वाली पेशेंट और पेशेंट सेवाएं शामिल हैं । एक वर्ष की अवधि इष्टतम14हो सकती है । इसके अतिरिक्त, एक ही दावे के बजाय दो अलग-अलग दावों की आवश्यकता विशिष्टता में वृद्धि कर सकती है, जबकि दवा डेटा के साथ कोडिंग डेटा का पूरक संवेदनशीलता15में सुधार कर सकता है। डेटा के एक हिस्से पर मैनुअल चार्ट ऑडिट का चयन कोडिंग रणनीति की सटीकता को सत्यापित करने के लिए किया जा सकता है।

एक बार comorbidities परिभाषित किया गया है और सवाल में पलटन के लिए मूल्यांकन किया गया है, एक प्रवृत्ति स्कोर उपचार समूहों के बीच covariates में मतभेदों को संतुलित करने के लिए इस्तेमाल किया जा सकता है । प्रवृत्ति स्कोर इस संभावना से प्राप्त होता है कि एक रोगी को ज्ञात covariates के आधार पर उपचार के लिए सौंपा जाता है। इस प्रवृत्ति उपचार के लिए लेखांकन प्रभाव है कि covariates उपचार असाइनमेंट पर है और परिणाम पर उपचार प्रभाव का एक सच्ची अनुमान उत्पन्न करने में मदद करता है कम कर देता है । जबकि प्रवृत्ति स्कोर जरूरी मॉडल बहुआयामी करने के लिए बेहतर परिणाम प्रदान नहीं करते हैं, वे इस बात का आकलन करने की अनुमति देते हैं कि प्रवृत्ति स्कोर3लागू करने के बाद इलाज और अनुपचारित समूह तुलनीय हैं या नहीं। अध्ययन जांचकर्ताओं से पहले और प्रवृत्ति मिलान या उपचार भार (IPTW) की उलटा संभावना के बाद covariates में पूर्ण मानकीकृत मतभेदों का विश्लेषण कर सकते है सुनिश्चित करने के लिए ज्ञात confounders समूहों के बीच संतुलित किया गया है । महत्वपूर्ण बात, अज्ञात confounders संतुलित नहीं किया जा सकता है, और एक अवशिष्ट confounding के लिए क्षमता के बारे में पता होना चाहिए ।

जब ठीक से निष्पादित किया जाता है, हालांकि, प्रवृत्ति स्कोर एक शक्तिशाली उपकरण है जो यादृच्छिक नियंत्रित परीक्षणों16के परिणामों की भविष्यवाणी और दोहराने कर सकता है। उपलब्ध प्रवृत्ति स्कोर तकनीकों में से, मिलान और आईपीटीडब्ल्यू आम तौर पर17पसंद किए जाते हैं। IPTW के भीतर, रोगियों को उनकी प्रवृत्ति या उपचार के लिए संभावना से भारित कर रहे हैं । वजन को स्थिर करने की सिफारिश आम तौर पर कच्चे वजन पर की जाती है, जबकि वजन की ट्रिमिंग को18,19,20,21भी माना जा सकता है।

एक बार अध्ययन समूहों संतुलित कर रहे हैं, वे ब्याज के परिणाम तक पीछा किया जा सकता है । प्रशासनिक आंकड़ों का उपयोग करने वाले अध्ययन पुनर्मिशन दरों और समय-दर-घटना विश्लेषण जैसे परिणामों में रुचि रखते हैं। मृत्यु दर में रुचि रखने वाले अध्ययनों में, सैन्य स्वास्थ्य प्रणाली डेटा भंडार में महत्वपूर्ण स्थिति के लिए एक क्षेत्र शामिल है जिसे राष्ट्रीय मृत्यु सूचकांक (एनडीआई)22,23का उपयोग करके और बढ़ाया जा सकता है। एनडीआई राज्य कार्यालयों से मृत्यु रिकॉर्ड जानकारी का एक केंद्रीकृत डाटाबेस है जिसे रोग नियंत्रण केंद्र द्वारा प्रबंधित किया जाता है। जांचकर्ता मृत्यु प्रमाण पत्र के आधार पर मूल महत्वपूर्ण स्थिति और/या मृत्यु के विशिष्ट कारण का अनुरोध कर सकते हैं ।

निम्नलिखित प्रोटोकॉल एनडीआई से मृत्यु संबंधी जानकारी के साथ संवर्धित एमडीआर का उपयोग करके प्रशासनिक डाटाबेस अध्ययन करने की प्रक्रिया का विवरण देता है। यह SAS कोड और उदाहरण उत्पादन सहित दो उपचार समूहों के बीच आधारभूत मतभेदों को संतुलित करने के लिए IPTW के उपयोग का विवरण देता है ।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

निम्नलिखित प्रोटोकॉल हमारी संस्थागत मानव आचार समितियों के दिशा-निर्देशों का पालन करता है ।

1. पलटन को परिभाषित करना

  1. निर्धारित करें और स्पष्ट रूप से या तो 1) एक रजिस्ट्री या 2) डेटा अंक है कि निदान या प्रक्रियाओं के लिए प्रशासनिक कोड के रूप में एमडीआर से निकाला जा सकता है (यानी, दो से अधिक के साथ सभी रोगियों का उपयोग कर योजना बनाई पलटन के शामिल किए जाने और बहिष्कार मापदंड को परिभाषित पेशेंट निदान या अलिंद फिब्रिलेशन का एक पेशेंट निदान)।
    1. यदि रजिस्ट्री का उपयोग कर रहे हैं, तो सैन्य स्वास्थ्य प्रणाली डेटा भंडार जैसे मेडिकल रिकॉर्ड संख्या (विभिन्न डेटा सेटों में सूचीबद्ध रूप से पाटूनिक और एडिफेन), पूर्ण नाम, जन्म तिथि और/या प्रायोजक की सामाजिक सुरक्षा संख्या के साथ सटीक मिलान के लिए दो या अधिक रोगी पहचानकर्ता शामिल हैं।
      नोट: व्यक्तिगत स्वास्थ्य जानकारी का उपयोग करने वाले सभी अध्ययनों के साथ, सुरक्षा उपायों की आवश्यकता होती है और इसका पालन किया जाना चाहिए। संग्रह प्रक्रिया के दौरान उचित एन्क्रिप्शन और डेटा प्रबंधन को नियोजित किया जाना चाहिए, और जानकारी को जितनी जल्दी हो सके डी-पहचाना जाना चाहिए।
      नोट: प्रायोजक के सामाजिक सुरक्षा नंबर (sponssn) को संदर्भित करते समय, सभी रोगियों को प्रायोजक, पति या पत्नी और बच्चों के लिए एक पहचानकर्ता सहित सैन्य सदस्य (या प्रायोजक) के लिए उनके संबंधों के संबंध में सूचीबद्ध किया जाता है। ध्यान रखें कि संबंध कोड और प्रायोजक की सामाजिक सुरक्षा संख्या डेटा सेट में समय के साथ बदल सकती है जब रोगी वयस्क हो जाते हैं और शादी या तलाक शुदा हो जाते हैं। इस प्रकार, कई रोगी पहचानकर्ता सटीकता सुनिश्चित करने में मदद करते हैं।
    2. यदि प्रशासनिक कोडिंग के माध्यम से साथियों को परिभाषित करते हैं, तो पूर्व अध्ययनों की पहचान करने के लिए एक व्यापक साहित्य खोज करें जिन्होंने संभावित रूप से ब्याज संहिताओं को मान्य किया है। कोड परिभाषाओं और पड़ोसी कोड को स्पष्ट करने के लिए आईसीडी-9-सीएम24 और/या आईसीडी-10-सेमी25 मैनुअल की समीक्षा करें ताकि कोड की उचित रेंज का उपयोग सुनिश्चित किया जा सके । इसके अतिरिक्त, समावेशन/बहिष्कार के लिए अतिरिक्त कोड पर विचार करने के लिए मैनुअल में शामिल क्रॉस-रेफरेंस टेबल की समीक्षा करें । पूर्व सत्यापन अध्ययनों में विभिन्न प्रशासनिक कोडिंग रणनीतियों के लिए सकारात्मक भविष्य कहनेवाला मूल्य, संवेदनशीलता और विशिष्टता की रिपोर्ट शामिल है। पलटन चयन के अनुकूलन के साथ-साथ परिणाम पहचान में ये सहायता।
  2. निर्धारित करें कि डेटा अनुरोध में शामिल करने के लिए वांछित पलटन या अन्य बहिष्कार मानदंडों पर प्रतिबंध (उदाहरण के लिए, उम्र के आधार पर) हैं या नहीं।
  3. आधाररेखा covariates के संग्रह के लिए सूचकांक की तारीख से पहले समय शामिल करने के लिए अध्ययन अवधि को परिभाषित करें (आम तौर पर प्रशासनिक डेटा अनुसंधान में 12 महीने) के साथ ही अध्ययन अंतिम तिथि ।

2. कोवरिएट्स और परिणामों को परिभाषित करना

  1. साहित्य खोजों और आईसीडी-9-CM24 और/या आईसीडी-10-सेमी25 मैनुअल के उपयोग के माध्यम से भ्रामक स्थितियों के लिए प्रशासनिक कोड को परिभाषित करें जैसा कि ऊपर चरण 1.1.2 में किया गया है।
  2. जनसांख्यिकी, दवा और प्रयोगशाला डेटा सहित अन्य आवश्यक covariates निर्धारित करें।
  3. एमडीआर डेटा शब्दकोश में उपलब्ध डेटा फ़ील्ड की समीक्षा करें: https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents।

3. एमडीआर के लिए अनुरोध प्रस्तुत करना

  1. संस्थागत समीक्षा बोर्ड की मंजूरी प्राप्त करें।
  2. एक डेटा शेयरिंग एग्रीमेंट एप्लिकेशन पूरा करें जो यहां पाया जा सकता है: https://health.mil/Military-Health-Topics/Privacy-and-Civil-Liberties/Submit-a-Data-Sharing-Application?type=All#RefFeed। आवेदन के भाग के रूप में, डीआरटी सैन्य स्वास्थ्य प्रणाली डेटा भंडार (एमडीआर) निष्कर्षण वर्कशीट (आवेदन पत्र से जुड़े) पर अनुरोध किए जा रहे डेटा फ़ील्ड और फ़ाइलों को निर्दिष्ट करें। निर्दिष्ट करें कि टीम डेटा विश्लेषक कच्चे डेटा की आपूर्ति का अनुरोध कर रही है या यदि टीम सीधे एमडीआर का उपयोग करेगी। इसके अलावा निर्दिष्ट करें कि अनुरोध एक बार डेटा पुल के लिए है या यदि नियमित रूप से खींचतान दैनिक, मासिक या वार्षिक अनुरोध कर रहे हैं ।
    नोट: किसी भी विधि से एमडीआर डेटा प्राप्त करने के लिए, एक प्रायोजक होना चाहिए जो एक सरकारी कर्मचारी (सक्रिय शुल्क सैन्य या जीएस) है, जो आमतौर पर अन्वेषक टीम का सदस्य होता है।
  3. यदि सीधे एमडीआर तक पहुंचते हैं, तो "एमडीआर प्राधिकरण अनुरोध फार्म" और "एमडीआर सीएस 2875 फॉर्म" को पूरा करें जो यहां पाया जा सकता है: https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents।

4. एमडीआर तक पहुंचना और प्रासंगिक डेटा निकालना

  1. यदि सीधे एमडीआर तक पहुंचरहे हैं, तो सॉफ्टवेयर आवश्यकताओं और उदाहरण SAS कार्यक्रमों सहित एमडीआर तक पहुंचने और उपयोग करने के निर्देशों का पालन करें जो "एमडीआर उपयोगकर्ता के गाइड" और "एमडीआर कार्यात्मक गाइड" में उपलब्ध हैं: https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents।
    नोट: फ़ाइलों एसएएस प्रारूप में सहेजा जाता है और आम तौर पर putty.exe के साथ-साथ एक एफटीपी कार्यक्रम का उपयोग करके यूनिक्स शेल के माध्यम से एक्सेस किया जाता है। सास का ज्ञान जरूरी है।
  2. एमडीआर सेटअप के एक सहायक सिंहावलोकन के लिए, एमएचएस डेटा https://health.mil/Reference-Center/Publications/2012/10/10/Guide-for-DoD-Researchers-on-Using-MHS-Dataका उपयोग करने पर DOD शोधकर्ताओं के लिए DOD गाइड की समीक्षा करें ।
  3. जैसा कि चरण 2.3 में किया गया है, https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents सभी उपलब्ध डेटा फ़ाइलों के बारे में विस्तृत जानकारी के लिए एमडीआर डेटा शब्दकोश कीसमीक्षा करें।
    नोट: सभी डेटा फ़ाइलों में मिलान/विलय के लिए सभी रोगी पहचानकर्ता शामिल नहीं हैं। डेटा शब्दकोश प्रत्येक डेटा फ़ाइल के लिए उपलब्ध पहचानकर्ताओं को सूचीबद्ध करने में मदद करता है। उदाहरण के लिए, फार्मेसी की जानकारी निकालने के लिए डीओडी आईडी नंबर, जिसे "पैटुनिक" या "एडिप" भी कहा जाता है, की आवश्यकता है। डेटा खनन चरण में सभी उपयुक्त रोगी पहचानकर्ता होना इसलिए कई वर्षों और कई डेटा सेटों में सभी रोगी जानकारी से मेल खाने की क्षमता सुनिश्चित करने के लिए महत्वपूर्ण है। यह दोहराना महत्वपूर्ण है कि अनुसंधान में निहित है कि पीएचआई शामिल है, डेटा सुरक्षा प्रक्रियाओं का कड़ाई से पालन आवश्यक अनुमोदन प्राप्त करने के बाद आवश्यक है, और पीएचआई को नष्ट कर दिया जाना चाहिए के बाद यह अब जरूरत नहीं है ।
  4. vm6 लाभार्थी डेटा (सितंबर 2002-वर्तमान) या पीबेन फ़ाइल (सितंबर 2000-सितंबर 2002) तक पहुंच कर पलटन के लिए आवश्यक रोगी पहचानकर्ताओं प्राप्त करें।
    1. पलटन फ़ाइल के लिए vm6 डेटा मैच के लिए नीचे मैक्रो या इसी तरह के कार्यक्रम का उपयोग करें। इस मामले में, कोड का उपयोग किसी दिए गए रोगी सामाजिक के लिए रोगी मेडिकल रिकॉर्ड नंबर (एमआरएन) खोजने के लिए लिखा जा सकता है जो पहले से ही एक पलटन फ़ाइल में है। बाद में त्रुटियों की जांच में मदद करने के लिए रोगी के नाम और जन्मतिथि के लिए वीएम 6 डेटा ड्रा और पलटन फ़ाइलों में विभिन्न चर नामों का उपयोग करें। पीएचआई की सुरक्षा के लिए, डेटा अनुरोध के हिस्से के रूप में प्रदान की गई जगह में सेवा नोड पर रोगी पहचानकर्ताओं के साथ डेटा स्टोर करें (एमडीआर उपयोगकर्ता का गाइड देखें)।
      नोट: एमआरएनएस को एमडीआर में डीओडी आईडी नंबर, पाटूनिक या ईडीआईपीएन के रूप में जाना जाता है।
      Equation 1
    2. चूंकि डेटाबेस प्रविष्टियां कभी भी त्रुटि से पूरी तरह मुक्त नहीं होती हैं, इसलिए किसी भी संभावित चिंताओं के लिए कार्यक्रम लॉग और आउटपुट की जांच करने के अलावा प्रत्येक प्रमुख चरण के बाद त्रुटि जांच करें। ऊपर दिए गए कोड के साथ संभावित बेमेल की समीक्षा करने के लिए नीचे दिए गए डेटा चरण का उपयोग करें (रोगी फ़ाइलों का मिलान रोगी/लाभार्थी सामाजिक के आधार पर किया जाता है)। जब पलटन फ़ाइल (अंतिम नाम, firstname) vm6 फ़ाइल (last_name, first_name) के साथ नामों की तुलना करते समय, केवल पहले तीन अक्षरों पर मिलान करने के लिए झूठी त्रुटियों है कि वर्तनी में अंतर के साथ पैदा/फ़ाइलों के बीच अंतर को कम करने के लिए ।
      Equation 2
    3. त्रुटि डेटा फ़ाइल ("चेकनाम") की समीक्षा करें। विराम चिह्न (ओ रेली बनाम ओरेली) के कारण त्रुटियों पर ध्यान न दें। स्वास्थ्य रिकार्ड की मैन्युअल समीक्षा के साथ चिंता की अन्य त्रुटियों की जांच करें या महत्वपूर्ण त्रुटियां मौजूद होने पर प्रासंगिक रोगी/रोगी की जानकारी को त्यागने पर विचार करें और यदि सत्यापन संभव नहीं है ।
  5. एमडीआर से शेष आवश्यक डेटा निकालें।
    1. यदि आवश्यक हो, तो वीएम6बेन फ़ाइलों (सितंबर 2002 से पहले पीबेन फ़ाइलों) से दौड़ और सेक्स प्राप्त करें, पलटन फ़ाइल के साथ विलय करें, और ऊपर किए गए त्रुटियों की जांच करें:
      Equation 3
    2. डेथ मास्टर फ़ाइल से मृत्यु डेटा प्राप्त करें, पलटन फ़ाइल के साथ विलय करें, और ऊपर की गई त्रुटियों की जांच करें:
      Equation 4
    3. विश्लेषण के लिए आवश्यक अतिरिक्त डेटा फ़ाइलें प्राप्त करें (डेटा स्थान और अतिरिक्त सहायक SAS मैक्रो और कोड के लिए एमडीआर कार्यात्मक उपयोगकर्ता की गाइड देखें)।
      नोट: डेटा अलग फ़ाइलों में संग्रहीत किया जाता है कि क्या यह सीधे सैंय स्वास्थ्य देखभाल प्रणाली द्वारा प्रदान की गई थी या कहीं और दिया और सैंय स्वास्थ्य देखभाल प्रणाली को बिल । उदाहरण फ़ाइलें नीचे दिखाई जाती हैं।
      सीएपीआर - वित्तीय वर्ष 2004 से प्रत्यक्ष देखभाल, पेशेंट फ़ाइलें-वर्तमान
      SADR - 1998-2005 से प्रत्यक्ष देखभाल, आउट पेशेंट फ़ाइलें
      एसआईडीआर - 1989 से प्रत्यक्ष देखभाल, पेशेंट अस्पताल (प्रत्यक्ष देखभाल) मौजूद
      टेडी - बिल देखभाल, संस्थागत दावा फाइलें वित्त वर्ष 2001-वर्तमान
      एचसीआरआई - बिल ्ड केयर, संस्थागत दावा वित्त वर्ष 1994-2005
      टेडनी - बिल ्ड केयर, गैर संस्थागत दावा वित्त वर्ष 2001-वर्तमान
      HCSRNI - बिल देखभाल, गैर संस्थागत दावा वित्त वर्ष 1994-2005
      पीडीएस - वित्तीय वर्ष 2002-वर्तमान में अलग-अलग नुस्खे के साथ फार्मेसी फ़ाइल

5. डेटा का विलय और योगात्मक फ़ाइलों का निर्माण

  1. चाहे डेटा डेटा विश्लेषक से प्राप्त किया जाता है या ऊपर धारा 4 में किए गए एमडीआर से सीधे प्राप्त किया जाता है, डेटा फ़ाइलों को विश्लेषण फ़ाइल बनाने के लिए संक्षेप और विलय की आवश्यकता होगी। प्रक्रिया के दौरान, उन तरीकों का उपयोग करें जो डेटा सटीकता में सुधार करते हैं, जिसमें त्रुटि जांच और लॉग और आउटपुट की समीक्षा भी शामिल है।
    1. डेटा को मिलाते समय, एक मजबूत मैच (जैसे मेडिकल रिकॉर्ड संख्या और जन्म तिथि) सुनिश्चित करने के लिए संभव होने पर कम से कम दो रोगी पहचानकर्ताओं का उपयोग करें, क्योंकि किसी भी क्षेत्र में त्रुटियां मौजूद हो सकती हैं। डेटा मर्ज होने के बाद, अपेक्षित परिणाम सुनिश्चित करने के लिए डेटा की समीक्षा करें। यह सुनिश्चित करने के लिए कोड चलाएं कि किसी अन्य पहचानकर्ता या दो के अलावा नाम मैच के पहले तीन पत्र उचित मैचों को सत्यापित करने के लिए उपयोगी हैं (चरण 4.5.1 देखें)।
      नोट: अंतिम नाम मैच नहीं हो सकता है अगर रोगी प्रश्न में समय अवधि के दौरान शादी की थी । अपोस्टोफे या स्पेसिंग के साथ-साथ टाइपो के कारण नाम क्षेत्रों में मामूली भिन्नताएं भी मौजूद हो सकती हैं।
    2. इस प्रक्रिया में टर्मिनल चरणों पर मैचों पर विशेष ध्यान दें जैसे कि उन रोगियों को परिभाषित करना जिनके परिणाम थे।
  2. इंडेक्स डेट से पहले की अवधि से आईसीडी-9-सीएम या आईसीडी-10-सीएम कोड का उपयोग करके बेसलाइन कॉकोरबिडिटीनिकालें, जिस तारीख को मरीज को अध्ययन में प्रवेश करने के रूप में माना जाता है । आम तौर पर, comorbidities को परिभाषित करने के लिए सूचकांक तिथि से 12 महीने पहले का उपयोग करें ।
    1. सुनिश्चित करें कि रोगियों को बेसलाइन अवधि के दौरान सैन्य स्वास्थ्य देखभाल प्रणाली के लिए पात्रता थी (vm6ben फ़ाइल में मासिक सत्यापित किया जा सकता है)।
    2. इंडेक्स तिथि से 12 महीने की अवधि के दौरान बेसलाइन ककोरबिडिटीज स्थापित करने के लिए आउट पेशेंट और/या पेशेंट फाइल्स में बेसलाइन डायग्नोसिस कोड सर्च करें । धारा 1 में स्थापित आईसीडी-9- सीएम या आईसीडी-10- सीएम कोड का इस्तेमाल करें। यदि एलिक्सायूजर कोऑर्बिडिटीज का उपयोग कर रहे हैं, तो एचक्यूपी से उपलब्ध सॉफ्टवेयर का उपयोग करें, जिससे निदान चर और फ़ाइलों के नाम को आवश्यकतानुसार संशोधित करना सुनिश्चित करें। (https://www.hcup-us.ahrq.gov/toolssoftware/comorbidity/comorbidity.jsp#download)
  3. आईसीडी-9-सीएम या आईसीडी-10-सेमी कोड द्वारा परिभाषित ब्याज के परिणामों के लिए सूचकांक तिथि के बाद पेशेंट और/या पेशेंट फाइलों को खोजें, जैसे प्राथमिक निदान के रूप में मायोकार्डियल इंफेक्शन के लिए अस्पताल में भर्ती (एसआईडीआर में 410.x1 की खोज)।
  4. सभी रोगियों के लिए एक अध्ययन अंतिम तिथि उन रोगियों के लिए अनुवर्ती के लिए कटऑफ के रूप में निर्धारित करें जिन्होंने रुचि के परिणाम का प्रदर्शन नहीं किया है। निर्धारित करें कि अंत का अध्ययन करने से पहले किन रोगियों को सेंसर करने की आवश्यकता है।
    1. अध्ययन अंतिम तिथि के माध्यम से स्वास्थ्य देखभाल के लिए पात्रता सुनिश्चित करने के लिए vm6ben फ़ाइल खोजें।; अन्यथा पात्रता खोने के समय मरीज को सेंसर करें।
    2. यदि फार्मेसी के सक्रिय उपयोगकर्ताओं जैसे पात्रता से स्वतंत्र स्वास्थ्य देखभाल प्रणाली के सक्रिय उपयोगकर्ताओं के लिए अध्ययन को सीमित करना महत्वपूर्ण है, तो डेटा फ़ाइलों के भीतर अंतिम स्वास्थ्य देखभाल संपर्क (जैसे अंतिम दवा भरने) का निर्धारण करें और रोगियों को सेंसर करें वह तारीख।
      नोट: टेलीफोन मुठभेड़ों का उपयोग करसावधान रहें, क्योंकि वे मृत्यु होने के बाद स्वास्थ्य रिकॉर्ड में मौजूद हो सकते हैं या यदि लाभार्थी दूसरे तरीके से स्वास्थ्य देखभाल प्रणाली से बाहर निकल गया है।

6. राष्ट्रीय मृत्यु सूचकांक (एनडीआई) के लिए मैच

  1. एक बार पूर्ण पलटन की पहचान हो जाने के बाद, यदि मृत्यु दर एक अंत बिंदु है तो मिलान के लिए राष्ट्रीय मृत्यु सूचकांक को जानकारी भेजें।
    1. सबसे पहले, एमडीआर डेटा और आईआरबी अनुमोदन के अनुरोधों में एनडीआई से मेल खाने का इरादा शामिल करें। मिलान के लिए एनडीआई को संरक्षित स्वास्थ्य जानकारी (पीएचआई) भेजने से पहले सभी डेटा एन्क्रिप्शन चरणों को अनुमोदन सुनिश्चित करें और पूरा करें।
  2. "राष्ट्रीय मृत्यु सूचकांक (NDI) आवेदन पत्र" और राष्ट्रीय मृत्यु सूचकांक से मौत के डेटा का अनुरोध करने के लिए निर्देश यहां पाया जा सकता है: https://www.cdc.gov/nchs/ndi/index.htm।
  3. रातोंरात मेल द्वारा पासवर्ड से सुरक्षित सीडी पर डेटा एनडीआई को भेजें। परिणाम लगभग 2 सप्ताह बाद उसी तरीके से वापस भेजे जाएंगे।
  4. एनडीआई परिणाम प्राप्त करने के बाद, संभावित समावेशन/बहिष्कार के लिए आंशिक मैचों की समीक्षा करें ।
    1. "अध्याय 4 - एनडीआई आउटपुट का आकलन" परिणामों की समीक्षा करने का एक सहायक अवलोकन प्रदान करता है और उसी वेबपेज पर पाया जा सकता है: https://www.cdc.gov/nchs/ndi/index.htm। सामाजिक सुरक्षा संख्या पर मैच आम तौर पर सबसे मजबूत मैच प्रदान करते हैं।
    2. जरूरत पड़ने पर, सटीकता में सुधार करने के लिए सामाजिक सुरक्षा मृत्यु सूचकांक और/या दिग्गजों मामलों लाभार्थी पहचान रिकॉर्ड लोकेटर उपप्रणाली (BIRLS) में क्रॉस-चेक मौतें । ध्यान रखें कि विदेशों में मरने वाले सेवा सदस्य एनडीआई खोज पर नहीं दिखाई देंगे, लेकिन अक्सर एमडीआर महत्वपूर्ण स्थिति फ़ाइल में या वीए BIRLS में पहचाने जाते हैं।
  5. समीक्षा पूरी करने के बाद मृत्यु फ़ाइल को मुख्य पलटन फ़ाइल में मर्ज करें।

7. डेटा की पहचान न करें

  1. एक बार सभी आवश्यक जानकारी प्राप्त हो जाने के बाद, पीएचआई की सुरक्षा में मदद करने के लिए डेटा फ़ाइलों की पहचान न करें। "रैनी" का उपयोग करके प्रत्येक रोगी के लिए एक यादृच्छिक रोगी पहचानकर्ता उत्पन्न करें (एमडीआर कार्यात्मक उपयोगकर्ता की गाइड देखें)। डेटा फाइलों से रोगी सामाजिक, मेडिकल रिकॉर्ड नंबर, जन्म तिथि (कंप्यूटिंग आयु के बाद), आदि निकालें। यदि आवश्यक (और अनुमोदित), तो एक कुंजी स्टोर करें जो यादृच्छिक रोगी पहचानकर्ता को एससीई नोड पर सुरक्षित रूप से पीएचआई से जोड़ता है।

8. प्रवृत्ति स्कोर18,19,26 कंप्यूटिंग

  1. उपचार की संभावना (SAS में प्रोसी लॉजिस्टिक) मॉडल करने के लिए लॉजिस्टिक प्रतिगमन का उपयोग करें।
    1. डेटा फ़ाइल (उदाहरण में dat" निर्दिष्ट करें)।
    2. स्पष्ट चर निर्दिष्ट करने के लिए वर्ग विवरण का उपयोग करें। संदर्भ मूल्य के रूप में सबसे कम मूल्य (जैसे 0) निर्दिष्ट करने के लिए "रेफरी = पहले" का उपयोग करें।
    3. मॉडल स्टेटमेंट में, उपचार चर को निर्भर चर (आरएक्स) के रूप में निर्दिष्ट करें और उपचार प्राप्त करने के मूल्य के रूप में "ईवेंट" के लिए मूल्य निर्धारित करें (इस मामले में 1)।
    4. मॉडल में covariates के रूप में उपचार प्राप्त करने के किसी भी संभावित भविष्यवक्ताओं को शामिल करें, खासकर अगर वे परिणाम के भविष्यवक्ताओं (जैसे मौत) हो सकता है । विचार करें कि शर्तों के बीच बातचीत उपचार को प्रभावित कर सकती है या नहीं। उन्हें एक "*" (जैसे पुरुष * ckd) का उपयोग करके मॉडल में शामिल करें या विशिष्ट मॉडल के लिए उपयुक्त सभी 2 x 2 इंटरैक्शन निर्दिष्ट करने के लिए अंत में कोवरिएट्स और "@2" के बीच ".", रखने के नीचे दिखाए गए वाक्य रचना का उपयोग करें।
    5. आउटपुट स्टेटमेंट का उपयोग यह निर्दिष्ट करने के लिए करें कि उपचार की अनुमानित संभावना (प्रोब) को "पीएस" और आउटपुट द्वारा फ़ाइल "ps_data" के लिए परिभाषित किया जाएगा।
      Equation 5
      नोट: मॉडल में चर: पुरुष सेक्स (बाइनरी), ckd: क्रोनिक किडनी रोग (बाइनरी), जिगर: क्रोनिक लिवर डिजीज (बाइनरी), मधुमेह (बाइनरी), सीओपीडी: क्रोनिक ऑब्सट्रक्टिव पल्मोनरी डिजीज (बाइनरी), सीएचएफ: हार्ट फेलियर (बाइनरी), कैड: कोरोनरी धमनी रोग (बाइनरी), सीवीडी: सेरेब्रोवैस्कुलर रोग (बाइनरी), पैड: परिधीय धमनी रोग (बाइनरी), आयु (निरंतर)।
  2. भविष्यवाणी की संभावना (प्रवृत्ति स्कोर) से वजन की गणना करें। यदि रोगी उपचार प्राप्त (Rx = 1), तो प्रवृत्ति स्कोर वजन 1/ यदि रोगी को उपचार प्राप्त नहीं हुआ, तो प्रवृत्ति स्कोर वजन 1/(1- प्रवृत्ति स्कोर) है।
    Equation 6
  3. प्रवृत्ति स्कोर को मतलब वजन से विभाजित करके स्थिर करें। नीचे दिए गए कोड में, प्रोसी का मतलब डेटा फ़ाइल "एम" में चर "mn_wt" में मतलब वजन आउटपुट करता है। नीचे निर्धारित डेटा जो डेटा फ़ाइल "एम" से mn_wt को बरकरार रखता है, फिर प्रत्येक अवलोकन के लिए स्थिर प्रवृत्ति स्कोर (st_ps_weight) की गणना करता है।
    Equation 7
  4. उपचार भार की व्युत्क्रम संभावना लागू करने के बाद संतुलन सत्यापित करें।
    1. एसटीडीकार्डिफ मैक्रो SAS में भार से पहले और बाद में covariates के लिए मानकीकृत मतलब अंतर कंप्यूटिंग सरल । मैक्रो के लिए कोड यहां पाया जा सकता है: http://www.lerner.ccf.org/qhs/software/lib/stddiff.sas।
    2. भार से पहले मानकीकृत मतलब अंतर की गणना करें। सभी मैक्रो के साथ के रूप में, मैक्रो कोड SAS में इसे बुलाने से पहले चलाया जाना चाहिए । एक उदाहरण कॉल स्टेटमेंट ब्याज के covariates के साथ नीचे है ।
      Equation 8
      Inds - इनपुट डेटा सेट, ग्रुपवर - चर जो अध्ययन समूहों को परिभाषित करता है, चारवर - स्पष्ट चर, अंक - निरंतर चर, एसटीएफएमटी - मानकीकृत अंतर का प्रारूप, आउट्ड - आउटपुट डेटा सेट।
    3. भार के बाद मानकीकृत मतलब अंतर की गणना करने के लिए एसटीडीकार्डिफ मैक्रो को फिर से कॉल करें। "Wtvar" मानकीकृत प्रवृत्ति स्कोर युक्त चर निर्दिष्ट करता है और मैक्रो कॉल स्टेटमेंट में जोड़ा जाता है। यदि मानकीकृत अंतर सभी 0.1 से कम या बराबर हैं, तो संतुलन को सफल माना जाता है।
      Equation 9
  5. भार से पहले और बाद में एएसडी को टैबुलर या ग्राफ फॉर्मेट में रिपोर्ट किया जा सकता है। एक भूखंड उत्पन्न करने के लिए एसएएस मैक्रो का उपयोग करने के निर्देशों के लिए, कृपया अनुपूरक सामग्रीदेखें।
  6. IPTW-समायोजित डेटा अब मापा confounders के संतुलन सुनिश्चित करने के बाद एक univariate विश्लेषण में इस्तेमाल किया जा सकता है ।

9. परिणाम मॉडल बनाना और संचयी घटना समारोह का एक भूखंड पैदा करना

  1. कुछ तरीके हैं कि परिणामी समय-से-ईवेंट विश्लेषण की साजिश रची जा सकती है, जिसमें जीवित रहने की साजिश उत्पन्न करने के लिए प्रोक लाइफटेस्ट का उपयोग करना शामिल है। मानकीकृत प्रवृत्ति वजन को इंगित करने के लिए वजन विवरण का उपयोग करें।
  2. प्रवृत्ति वजन का उपयोग करके एक सीआईएफ प्लॉट उत्पन्न करने के लिए, प्रोक फ्राग का उपयोग करें।
    1. प्रोक फ्राग में, प्लॉट जेनरेट करते समय उपयोग किए जाने वाले कोवेरिएट मूल्यों को निर्दिष्ट करने के लिए एक कोवेरिएट फ़ाइल का संदर्भ दें। इस मामले में, कोवेरिएट फ़ाइल में केवल एकल चर आरएक्स होता है, जो 1 या 0 हो सकता है।
      Equation 10
    2. टॉगल ओड ग्राफिक्स पर। ग्राफ या फ़ाइल प्रकार (जेपीईजी, आदि) के लिए आउटपुट फ़ाइलों को निर्दिष्ट करने के लिए आवश्यक अतिरिक्त विवरणों का उपयोग करें; https://support.sas.com/documentation/cdl/en/statug/63962/HTML/default/viewer.htm#statug_odsgraph_sect014.htmदेखें)।
      Equation 11
    3. प्रोक फ्राग सिंटेक्स में, मानकीकृत प्रवृत्ति स्कोर चर निर्दिष्ट करने के लिए वजन बयान का उपयोग करें। संचयी घटना समारोह की साजिश करने में सक्षम होने के लिए बेसलाइन स्टेटमेंट का उपयोग करके बेसलाइन covariates के लिए मूल्यनिर्दिष्ट करें। "राउइड" (इस मामले में आरएक्स 1 बनाम 0) का उपयोग करके साजिश के लिए उपयोग करने के लिए स्तर निर्दिष्ट करें। परिणाम चर ("घटना") के बाद कोष्ठक में संख्या चर के मूल्य (एस) को निर्दिष्ट करती है जिसे सेंसर किया जाना चाहिए जिसमें सेंसरिंग तिथि और कोई प्रतिस्पर्धी घटनाशामिल होनी चाहिए। इस मामले में, 0 सेंसर किया गया है और 1 एक सच्ची घटना है।
      Equation 12

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

आईपीटीडब्ल्यू के पूरा होने पर, पूर्ण मानकीकृत मतभेदों के टेबल या भूखंड क्रमशः एसटीडीडिफ मैक्रो कोड या एडप्लॉट मैक्रो कोड का उपयोग करके उत्पन्न किए जा सकते हैं। चित्रा 1 asdplot मैक्रो का उपयोग कर 10,000 प्रतिभागियों की एक बड़ी पलटन में उचित संतुलन का एक उदाहरण दिखाता है। प्रवृत्ति स्कोर के आवेदन के बाद, पूर्ण मानकीकृत मतभेदों को काफी कम कर दिया गया। पूर्ण मानकीकृत अंतर के लिए उपयोग की जाने वाली कटऑफ कुछ हद तक मनमाना है, हालांकि 0.1 का अक्सर उपयोग किया जाता है और दोनों समूहों के बीच नगण्य अंतर को दर्शाता है। एक छोटी सी पलटन में, उचित संतुलन प्राप्त करने के लिए और अधिक कठिन है । चित्रा 2 100 प्रतिभागियों की एक पलटन में covariates संतुलन के प्रयास के असफल परिणाम दिखाता है।

एक बार मानकीकृत प्रवृत्ति स्कोर उत्पन्न हो जाने के बाद, अध्ययन टीम परिणाम विश्लेषण के साथ आगे बढ़ सकती है। अस्तित्व विश्लेषण अक्सर असमान अनुवर्ती जानकारी के साथ प्रतिभागियों को सेंसर करने की आवश्यकता के कारण नियोजित किया जाता है, और चित्रा 3 एक संचयी घटना समारोह (सीआईएफ) साजिश उत्पन्न करने के लिए मानकीकृत प्रवृत्ति स्कोर वजन के साथ प्रोक फ्राग के उपयोग का एक उदाहरण दर्शाया गया है। सीआईएफ प्लॉट में समय के साथ घटनाओं की बढ़ती संख्या को दर्शाया गया है। इस मामले में, अनुपचारित, या नियंत्रण, समूह (कोई Rx) घटनाओं की एक बड़ी संख्या है और तुलनात्मक रूप से इलाज समूह (Rx) से भी बदतर है ।

Figure 1
चित्रा 1: सफल संतुलन का उदाहरण। एक बड़ी पलटन (एन = 10,000) में, आईपीटीडब्ल्यू ने सभी पूर्ण मानकीकृत मतभेदों को 0.1 से कम करने के साथ covariates के संतुलन हासिल किया। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 2
चित्रा 2: असफल संतुलन का उदाहरण। एक छोटी सी पलटन (एन = 100) में, आईपीटीडब्ल्यू 0.1 से अधिक शेष कई पूर्ण मानकीकृत मतभेदों के साथ covariates के संतुलन को प्राप्त करने में असमर्थ था। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 3
चित्रा 3: संचयी घटना समारोह का उदाहरण उपचार समूहों की तुलना में साजिश । समय के साथ, दोनों समूहों में मृत्यु दर की संचयी घटना बढ़ जाती है, हालांकि यह अनुपचारित समूह (कोई Rx) में अधिक है। इस प्रकार, इस उदाहरण में, इलाज समूह अस्तित्व में सुधार हुआ है । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

अनुपूरक सामग्री। कृपया इस फ़ाइल को देखने के लिए यहां क्लिक करें (डाउनलोड करने के लिए सही क्लिक करें)।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

बड़े प्रशासनिक डेटासेट का उपयोग करके पूर्वव्यापी विश्लेषण एक कुशल और लागत प्रभावी विकल्प प्रदान करते हैं जब यादृच्छिक नियंत्रित परीक्षण व्यवहार्य नहीं होते हैं। उपयुक्त डेटा सेट जनसंख्या और ब्याज के चर पर निर्भर करेगा, लेकिन एमडीआर एक आकर्षक विकल्प है जिसमें मेडिकेयर डेटा के साथ देखी गई आयु प्रतिबंध नहीं हैं। किसी भी डेटा सेट के साथ, इसके लेआउट और डेटा शब्दकोश से परिचित होना महत्वपूर्ण है। यह सुनिश्चित करने के लिए कि पूर्ण डेटा कैप्चर किए गए हैं, और डेटा का सही मिलान और विलय किया जाता है, इसके साथ देखभाल की जानी चाहिए।

निदान के लिए कोड मौजूदा साहित्य का उपयोग करके परिभाषित किया जाना चाहिए और सौंपे गए निदान ों के मूल्य को अधिकतम करने के लिए आईसीडी-9-सीएम और आईसीडी-10-सीएम कोडिंग प्रणाली की पूरी तरह से समझ है। कोमोर्बिडिटी कोड के मौजूदा सेट, जिसमें एलिक्सायूजर27 या रिफाइंड चार्लसन कोऑर्बिडिटी इंडेक्स28,29शामिल हैं, का उपयोग कोमोर्बिड स्थितियों को परिभाषित करने के लिए किया जा सकता है जो ब्याज के परिणाम को प्रभावित कर सकते हैं। इसी तरह, प्रशासनिक डेटा में मान्य कोडिंग एल्गोरिदम और लीवरेज किया जाना चाहिए। सत्यापन सक्रिय अनुसंधान का एक क्षेत्र रहना चाहिए, क्योंकि बीमारियों की एक विस्तृत श्रृंखला के सटीक वर्गीकरण को अधिकतम करने के लिए आईसीडी-9-सीएम और आईसीडी-10-सेमी कोडिंग एल्गोरिदम के इष्टतम उपयोग पर सीखना जारी है।

प्रवृत्ति स्कोर किसी भी पूर्वव्यापी विश्लेषण में निहित पूर्वाग्रह को संबोधित करने के लिए इस्तेमाल किया जा सकता है । प्रभावी प्रवृत्ति स्कोर भार या मिलान वांछित सीमा के नीचे पूर्ण मानकीकृत अंतर (एएसडी) को कम करना चाहिए, आम तौर पर 0.1 पर सेट। उपयुक्त संतुलन ज्ञात confounders के संबंध में उपचार समूहों की तुलनीयता सुनिश्चित करने में मदद करता है, और उचित रूप से नियोजित प्रवृत्ति स्कोर तकनीकों का उपयोग यादृच्छिक परीक्षण परिणामों को सफलतापूर्वक दोहराने के लिए किया गया है। एक बार ठीक से संतुलित होने के बाद, उपचार समूहों की तुलना यूनिवेरिएट टाइम-टू-इवेंट या अन्य विश्लेषण से की जा सकती है।

यहां तक कि उचित संतुलन के साथ, अवशिष्ट confounding3के लिए क्षमता है, तो खोजी टीम अमापित confounders के प्रभाव को सीमित करना चाहिए । इसके अतिरिक्त, यदि उपचार चयन पर covariates के प्रभाव मजबूत कर रहे हैं, पूर्वाग्रह अभी भी30रह सकते हैं । छोटे साथियों में, प्रवृत्ति स्कोर पूरी तरह से सभी चर के लिए 0.1 से नीचे एएसडी को कम करने की संभावना नहीं है और प्रतिगमन समायोजन अवशिष्ट असंतुलन31को दूर करने में मदद करने के लिए नियोजित किया जा सकता है। जब उचित संतुलन अब सुनिश्चित नहीं होता है तो प्रतिगमन समायोजन का उपयोग उपसमूह विश्लेषण में भी किया जा सकता है।

जब सही ढंग से किया जाता है, तो प्रशासनिक डेटा के साथ अनुसंधान यादृच्छिक नैदानिक परीक्षणों के अभाव में महत्वपूर्ण नैदानिक प्रश्नों के समय पर उत्तर प्रदान करता है। हालांकि अवलोकन अध्ययनों से सभी पूर्वाग्रह को हटाना असंभव है, पूर्वाग्रह प्रवृत्ति स्कोर और शेष सावधानीपूर्वक विश्लेषण ों का उपयोग करके सीमित किया जा सकता है।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों के पास खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

इस प्रकाशन में रिपोर्ट किए गए शोध को राष्ट्रीय स्वास्थ्य संस्थानों के ट्रांसलेशनल साइंसेज को पुरस्कार संख्या UL1 TR002345 के तहत आगे बढ़ाने के लिए राष्ट्रीय केंद्र द्वारा समर्थित किया गया था । सामग्री पूरी तरह से लेखकों की जिंमेदारी है और जरूरी स्वास्थ्य के राष्ट्रीय संस्थानों के आधिकारिक विचारों का प्रतिनिधित्व नहीं करता है ।

अस्वीकरण: इसके अतिरिक्त, इस लेख में व्यक्त विचार केवल लेखक के हैं और संयुक्त राज्य अमेरिका सरकार, संयुक्त राज्य अमेरिका के रक्षा विभाग (DoD), या संयुक्त राज्य अमेरिका के विभाग के उन लोगों में प्रतिनिधित्व करने के लिए नहीं लगाया जाना चाहिए सेना. विशिष्ट उत्पादों या वैज्ञानिक उपकरणकी पहचान वैज्ञानिक प्रयास का एक अभिन्न हिस्सा माना जाता है और लेखक, DoD, या किसी भी घटक एजेंसी की ओर से समर्थन या निहित समर्थन का गठन नहीं करता है ।

Materials

Name Company Catalog Number Comments
CD Burner (for NDI Request)
Computer
Putty.exe Putty.org
SAS 9.4 SAS Institute Cary, NC
WinSCP or other FTP software https://winscp.net/eng/index.php

DOWNLOAD MATERIALS LIST

References

  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).

Tags

चिकित्सा अंक १५५ उपचार भार की उलटा संभावना प्रवृत्ति स्कोर राष्ट्रीय मृत्यु सूचकांक सैंय स्वास्थ्य प्रणाली डेटा भंडार पूर्वाग्रह उपचार चयन confounding बड़ा डेटा
सैन्य स्वास्थ्य प्रणाली डेटा भंडार और राष्ट्रीय मृत्यु सूचकांक का उपयोग करके उपचार भार (प्रवृत्ति स्कोर) की विलोम संभावना
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Mitchell, J. D., Gage, B. F.,… More

Mitchell, J. D., Gage, B. F., Fergestrom, N., Novak, E., Villines, T. C. Inverse Probability of Treatment Weighting (Propensity Score) using the Military Health System Data Repository and National Death Index. J. Vis. Exp. (155), e59825, doi:10.3791/59825 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter