糖尿病及糖尿病前期人群中血尿酸与血糖的关联:基于协变量均衡广义倾向性评分法

目的:探讨2型糖尿病(T2DM)及糖尿病前期人群中血尿酸(SUA)与血糖的关联。方法:从2020年1月至2022年12月于淄博市某三级医院体检的人群中,选取新确诊的T2DM患者1012人,糖尿病前期1025人。分别利用两个人群数据,采用随机森林算法筛选与血糖关系密切的关键协变量,采用协变量均衡广义倾向性评分法均衡关键协变量后,对SUA与血糖水平进行加权线性回归。结果:筛选出甘油三酯、年龄、谷氨酰胺转肽酶、谷草转氨酶、肌酐、低密度脂蛋白、总胆固醇、碱性磷酸酶、尿素、谷草/谷丙为关键协变量。在T2DM人群中,均衡后协变量与SUA的相关系数均值为0.0044;在糖尿病前期人群中,均衡后相关系数均值为0.0781。加权线性回归结果显示,在T2DM人群中,血尿酸(100倍)水平与血糖变化呈负关联,β(95%CI)为-0.424(-0.601~-0.247);在糖尿病前期人群中两者的关联没有统计学意义,β(95%CI)为0.001(-0.020~0.021)。结论:T2DM患者血尿酸水平与血糖呈负关联。

倾向性评分模型估计二分类处理因果效应的方法

目的对倾向性评分(propensity score,PS)模型估计二分类处理因果效应的方法进行概述,以期为相关研究提供参考。方法从PS模型的优化和协变量组间均衡性两个角度对现有方法进行梳理,对各方法的基本原理、适用条件、优缺点等归纳总结。结果基于模型类的方法通过优化估计处理分配机制的模型,以得到更好均衡组间协变量分布的PS;基于均衡类的方法在协变量组间均衡性约束条件下估计PS或直接估计权重。结论研究者在实际应用中可根据不同方法的适用条件及优缺点选择合适的方法进行分析。

贝叶斯倾向性评分在R软件中的实现

常规的混杂因素校正方法包括分层、匹配或回归分析,但当混杂因素较多时,均不再适用。倾向性评分(propensity score,PS)是解决此类问题的有效工具,它将个体所有协变量信息综合为接受某种处理的条件概率,再利用此概率对样本进行匹配、分层或加权等,可达到"事后随机化"的效果。2000年Imbens等人定义了广义倾向性评分(generalized propensity score,GPS),将传统的PS理论扩展到处理因素为多分类及连续型变量的情形。

高维情况下基于倾向性评分的因果推断方法

目的观察性研究中使用倾向性评分法估计因果效应依赖于不存在未测量混杂假设。随着大数据时代的到来,越来越多的处理前协变量可被测量并纳入分析中,使得这一假设更合理,但同时也导致标准的倾向性评分法不再适用,这就促使了高维情况下因果推断方法的发展。本研究对现有的高维情况下基于倾向性评分的因果推断方法进行概述,为实际应用提供参考依据。方法从变量选择和协变量组间均衡性两个角度出发,对现有方法做归类和总结,系统回顾各方法的基本原理、方法步骤及优缺点等。结果基于变量选择的方法可分为Screening、惩罚和贝叶斯三类;基于均衡性的方法有明确的机制确保协变量的组间均衡性。结论实际应用中研究者应根据自身数据特点结合各方法的优缺点选择合适的方法进行分析,从而得到一致有效的因果效应估计量。

真实世界研究中协变量组间均衡性的诊断指标研究

目的评价真实世界研究(real world study,RWS)组间协变量均衡性的诊断指标。方法模拟不同的组间均衡性程度、不同的协变量与暴露、结局关系等RWS模拟数据场景,通过构建各诊断指标与估计偏差的相关性模型,评价不同的单一协变量、全局协变量均衡性诊断指标的准确性、稳健性。结果除L1测度外,标准化差值法、重叠系数、K-S距离、Lévy距离、马氏距离和一般加权差均能识别不同程度的均衡性。基于倾向得分的C统计量和一般加权差估计相关性模型的R2值均大于0.8,截距值逼近原点,对于组间均衡性的诊断最为准确和稳定。结论单一协变量诊断指标可以评估RWS数据组间协变量的均衡性,但全局诊断指标的准确性、灵敏度和稳健性更好,其中倾向得分C统计量的诊断效果最佳。

基于倾向评分法探讨真实世界注射用灯盏花素治疗冠心病的临床实效研究

[目的]了解注射用灯盏花素在真实世界中治疗冠状动脉粥样硬化性心脏病(冠心病)的实际疗效。[方法]收集2002年1月至2015年12月全国37家三级甲等医院信息系统(hospital information system,HIS)中所有联合使用注射用灯盏花素和未联合使用注射用灯盏花素的冠心病病例,根据性别、年龄、入院病情进行1:1匹配后,灯盏花素组和对照组各3837例,采用广义增强模型(generalized boosted models,GBM)倾向评分加权法及3种Logistic回归方法(单因素Logistic回归、不带协变量的倾向性评分加权Logistic回归、带协变量的倾向性评分加权Logistic回归)对两组数据进行分析,比较两组间的疗效差异。[结果]单因素Logistic回归表明两组治疗结果差异有统计学意义(r=-1.1766,P<0.001);使用GBM倾向评分对两组个体进行加权处理后,进行Logistic回归分析,表明两组治疗结果差异有统计学意义(r=-0.8398,P<0.001);将对处理分配影响程度不同的各协变量纳入到模型中,进行倾向评分加权后再次进行Logistic回归分析,提示两组治疗结果差异有统计学意义(r=-1.0833,P<0.001)。[结论]基于数据统计分析发现,注射用灯盏花素在真实世界中治疗冠心病真实有效。

针对连续型处理因素的广义倾向性评分估计方法简介

在观察性研究中进行因果推断的众多方法中,用于控制已测量混杂的倾向性评分方法应用越来越广泛。该类方法主要分为两步:首先估计倾向性评分,然后采取回归、加权、匹配和分层等手段进一步估计感兴趣的因果参数。不同于传统的二分类处理情况,近年来针对连续型处理因素的广义倾向性评分方法被提出。目前已发展出了许多估计广义倾向性评分和直接估计均衡权重的方法,本文将从基于模型和基于均衡性两个角度出发对现有方法进行介绍。

纵向数据中评估暴露总效应的序列条件平均模型

在前瞻性队列研究中,经常需要对研究对象进行多次随访,其产生的多个观测值之间相互关联,常导致时依性混杂,这种情况下的数据一般不满足传统的多因素回归分析的应用条件。序列条件平均模型(SCMM)是一种可以处理时依性混杂的新方法。本文主要对SCMM的基本原理、步骤及特点进行概括。