逆概率权重法在诊断试验评价证实偏倚中的应用

如何估计和校正筛查或诊断试验中存在的证实偏倚，文中通过宫颈癌筛查实例，采用逆概率权重法R软件CompareTests校正其灵敏度和特异度，利用随机抽样方法生成新数据，将逆概率权重法计算的灵敏度和特异度，与传统计算方法以及最大似然估计方法计算得到的灵敏度和特异度进行比较。结果表明HPV自检法的真实灵敏度和特异度分别为83．53％（95％CI：74．23．89．93）和85．86％（95％CI：84．23～87．36）。随机抽样结果显示，传统方法计算的灵敏度和特异度分别为90．48％（95％C1：80．74～95．56）和71．96％（95％CI：68．71．75．00），：果用逆概率权重法校正后的灵敏度和特异度分别为82．25％（95％C1：63．11～92．62）和85．80％（95％C1：85．09～86．47）；采用最大似然估计法校正后的灵敏度和特异度分别为80．13％（95％CI：66．81～93．46）和85．80％（95％CI：84．20～87．41）。表明在复杂抽样情况下，逆概率权重法能够有效校正；存在证实偏倚的灵敏度和特异度。

合理进行多重Logistic回归分析——结合平均处理效应分析

本文目的是介绍如何结合平均处理效应分析,合理地进行多重Logistic回归分析的方法。第一,介绍了与平均处理效应分析有关的4个基本概念。第二,介绍了平均处理效应分析中的核心内容,即6种估算方法。第三,通过一个假设的药物临床试验实例,介绍了如何用SAS软件进行分析的全过程,内容如下:①采用传统的多重Logistic回归分析;②采用倾向性评分模型计算逆概率权重;③分别采用6种估算方法估计潜在结果均值和平均处理效应。

基于Super Learner的边缘结构模型研究及发展

时依性混杂是纵向观察性研究数据中常见,但较难用传统回归模型控制的特殊混杂。边缘结构模型通过计算逆概率权重对原始人群进行加权,获得新的虚拟人群,消除混杂因素的影响,是目前控制时依性混杂较流行的方法。近年来,随着机器学习的发展,利用数据自适应算法计算逆概率权重的边缘结构模型逐步受到关注。Super Learner是其中较新颖的一种方法,其能很好地规避传统估计逆概率权重方法的缺陷。该文基于前人的相关研究,总结传统边缘结构模型和逆概率权重的构建与计算,介绍Super Learner的构建、优缺点以及目前在药物流行病学相关研究中的实际应用,并提出未来可研究和待解决的问题。