8 Ocak 2020
Randomize kontrollü çalışmalar mümkün olmadığında, Askeri Sağlık Sistemi Veri Deposu gibi kapsamlı bir sağlık veri kaynağı retrospektif analizler için cazip bir alternatif sağlar. Ulusal ölüm endeksinden ölüm verilerinin birleştirilmesi ve eğilim ağırlığı kullanan gruplar arasındaki farklılıkların dengelenmesi, retrospektif tasarımlarda ortaya çıkan önyargıların azaltılmasına yardımcı olur.
Geçmişte, gelecekteki kalp krizi şanslarını azaltmak için statin tedavisinden en çok hangi hastaların yararlanacağını belirlemeye yardımcı olmak için askeri sağlık veritabanını kullandık. Protokolümüz, kendi klinik sorularını yanıtlamak için büyük verileri kullanmak isteyen ve çok çeşitli ve neredeyse sınırsız sayıda konuya uygulanabilen herhangi bir sağlık kuruluşu için bir yol haritası sunmaktadır. Kurumsal inceleme kurulundan onay aldıktan sonra, DRT MDR çıkarma çalışma sayfasında istenen veri alanlarını ve dosyaları belirtmeye özen gösteren bir veri paylaşım anlaşması uygulamasını tamamlayın.
Takımın bir veri analisti, ham veri temini veya takımın MDR'ye doğrudan erişip erişmeyeceğini ve isteğin tek seferlik bir veri çekimi için olup olmadığını veya günlük, aylık veya yıllık düzenli çekme isteyip istenmediğini belirtin. MDR'ye doğrudan erişmek için MDR-CS-2875 formlarında MDR yetkilendirme isteğini tamamlayın. Doğrudan MDR'ye erişirken, yazılım gereksinimleri ve MDR kullanıcıları kılavuzunda ve MDR fonksiyonel kılavuzunda bulunan örnek SAS programları da dahil olmak üzere MDR'ye erişim ve kullanma yönergelerini izleyin.
Kohortunuzun ek MDR yararlanıcı verilerini elde etmek için sunucudan VM6 dosyalarını edinin ve kohort dosyanızla birleştirin. Birleştirme sonrasında sonraki hataların denetlenmelerine yardımcı olmak için hasta adları ve doğum tarihleri için VM6 veri çizimi ve kohort dosyalarında farklı değişken adlarını kullanın. Veritabanı girişleri hiçbir zaman tamamen hatasız olmadığı için, olası endişeler için program günlüğünü ve çıktısını denetlemeye ek olarak, her büyük adımdan sonra hata denetimlerini preform için kodu kullanın.
Kohort dosyasındaki adları VM6 dosyasıyla karşılaştırırken, verimliliği artırmak ve dosyalar arasındaki yazım veya boşluk farklılıklarıyla ortaya çıkabilecek yanlış hataları azaltmak için yalnızca ilk üç harfle eşleştirin. Ardından, ilgili diğer hataları denetlemek için gerektiğinde sistem durumu kaydının el ile gözden geçirilmesini gerçekleştiren hata veri dosyasını gözden geçirin. İlgili veri ayıklama için, VM6 yararlanıcı dosyalarından ırk ve cinsiyet verilerini elde edin, bu tarihi kohort dosyasıyla birleştirin ve az önce gösterildiği gibi hataları denetleyin.
Death master dosyasından ölüm verileri alın, verileri kohort dosyasıyla birleştirin ve hataları kontrol edin. Ardından, çözümleme için gerektiği gibi ek veri dosyaları edinin. Veri birleştirme ve toplama dosya oluşturma için, indeks tarihinden önceki dönemden ICD-9-CM veya ICD-10-CM kodlarını kullanarak temel komorbiditeleri ayıklayın.
VM6 yararlanıcı dosyasında doğrulanan temel süre boyunca hastaların askeri sağlık sistemi için uygunluk olduğunu özen. İndeks tarihinden önceki 12 aylık dönemde temel komorbiditeleri belirlemek için ayakta ve/veya yatarak yatan dosyalardaki temel tanı kodlarını arayın. Elixhauser komorbiditelerini kullanıyorsanız, sağlık maliyeti ve kullanım proje veritabanındaki mevcut yazılımı kullanarak tanı değişkenlerinin ve dosyaların adlarını gerektiği gibi değiştirdiğinizden emin olun.
Tüm hastalar için bir çalışma bitiş tarihini, ilgi nin sonucunu gösteremeyen hastaların takibi için bir kesit olarak ayarlamak için, çalışmanın bitiş tarihi boyunca sağlık hizmetlerine uygunluğu sağlamak için VM6 yararlanıcı dosyasını arayın. Eğer çalışmanın uygunluktan bağımsız olarak sağlık sisteminin aktif kullanıcılarıyla sınırlandırılması önemliyse, veri dosyalarıiçindeki son sağlık bağlantısını belirleyin ve hastaları o tarihte sansürleyin. Gerekli tüm bilgiler elde edildiğinde, Ranuni kullanarak her hasta için rastgele bir hasta tanımlayıcısı oluşturun.
Tedavi olasılığını modellemek için öngörülen olasılık ağırlıkları hesaplamak için lojistik ilerleme kullanın. Sonra ortalama ağırlık ile puanı bölerek eğilim puanı stabilize. Standart farklılaşma makrosu ağırlıklandırma tedavi ters olasılık uyguladıktan sonra dengeleme doğrulamak için sas ağırlık öncesi ve sonrası co-varyanslar için hesaplama standart ortalama farklılıkları basitleştirir.
PROC PHREG'de kümülatif bir insidans işlevi çizimi oluşturmak için, PROC PHREG sözdiziminde çizim oluştururken kullanılacak covariate değerlerini belirtmek için bir covariate dosyasına başvurun, standartlaştırılmış eğilim puanı değişkenini belirtmek için ağırlık deyimini kullanın ve kümülatif insidansı işlevini çizmek için temel covariates değerlerini belirtmek için temel deyimi kullanın. Ardından ROWID'i kullanarak çizim için kullanılacak katmanları belirtin. Burada, gösterildiği gibi mutlak standart fark arsa makro kullanarak 10000 katılımcıların büyük bir kohort uygun dengeleme bir örnek.
Eğilim puanının uygulanmasından sonra, mutlak standart farklar önemli ölçüde azaltıldı. Burada, 100 katılımcıdan oluşan bir kohortta kovariatları dengelemeye çalışmanın başarısız sonuçları gözlemlenebilir. Bu örnekte, proc phreg standart yatkınlık puan ağırlıkları ile kümülatif insidans fonksiyonu arsa oluşturmak için kullanılan, bu analizde, tedavi edilmeyen kontrol grubu olaylar daha fazla sayıda gösterdi ve tedavi edilen gruba göre nispeten daha kötü bir sağkalım sergiledi ortaya koymaktadır.
MDR, emekliler ve aile üyeleri de dahil olmak üzere savunma bakanlığından yararlananları içerir. Yani sadece 65 yaşın üzerindeki hastalarla sınırlı değil, ve sadece gazilerle sınırlı değil. Bu protokol, MDR'yi kullanmak için bir başlangıç noktası sağlar.
Ve istatistiksel teknik genel bakış araştırma bu tür içsel olabilir önyargıları ortadan kaldırarak yardımcı olabilir.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Bu makale, randomize kontrollü çalışmaların uygulanabilir olmadığı durumlarda, retrospektif analizler için Askeri Sağlık Sistemi Veri Deposu'nun kullanımını ele almaktadır. Çalışma, mortalite verilerinin dahil edilmesinin önemini ve yanlılıkları azaltmak için eğilim ağırlıklandırmasının kullanımını vurgulamaktadır.
Randomize kontrollü çalışmaların uygulanabilir olmadığı durumlarda, büyük veri kullanılan retrospektif analizler maliyet etkin bir alternatif sunar; ancak geçerli tedavi etkisi tahminleri sağlamak için titiz bir yanlılık azaltma süreci gerektirir. Tedavi olasılığının ters ağırlıklandırılması (IPTW) gibi eğilim skoru yöntemleri, gözlemsel sağlık hizmetleri verilerinde karıştırıcı değişkenlerin ayarlanmasına olanak tanıyarak erken keşif aşamasındaki hedef doğrulamayı ve mekanistik risk azaltmayı destekler. Bu yaklaşım, Askeri Sağlık Sistemi Veri Deposu gibi kaynaklardan elde edilen gerçek dünya kanıtlarını kullanarak tedavi grupları arasındaki bilinen karıştırıcı değişkenleri dengeleyerek öngörü güvenini artırır.
Bu yöntem, özellikle maliyetli deneysel kampanyalar öncesinde biyolojik hedeflerin riskini azaltmak için gerçek dünya verilerinden yararlanıldığında, hipotez oluşturmadan öncü bileşik tanımlamaya ve preklinik doğrulamaya kadar uzanan keşif sürekliliğine uyum sağlar.