Estimación bayesiana de las puntuaciones de propensión para integrar múltiples cohortes con covariables de alta...

Área de la Ciencia:

• Estadísticas biológicas
• Biología computacional
• Epidemiología

Sus antecedentes:

• Los metanálisis comparativos integran múltiples estudios observacionales, a menudo utilizando puntajes de propensión (PS) para manejar los desequilibrios covariados.
• Las covariables de alta dimensión presentan desafíos teóricos y prácticos significativos para la estimación precisa de PS.

Objetivo del estudio:

• Desarrollar una técnica inferencial para integrar múltiples conjuntos de datos de observación, abordando específicamente los desafíos de covariantes de alta dimensión.
• Proponer un método que estime con precisión las PS y facilite las comparaciones de grupos equilibradas por covariantes en datos de salud complejos.

Principales métodos:

• Se introdujeron las submatrices de motivos bayesianos para covariables (B-MSC), un enfoque híbrido bayesiano y frequentista.
• Utilizó procesos de "restaurante chino" bayesianos no paramétricos para reducir la dimensionalidad covariada e identificar motivos latentes.
• Motivos descubiertos empleados como predictores en la regresión estándar para la inferencia de PS.

Principales resultados:

• Se demostró la eficacia de B-MSC en la estimación precisa de las puntuaciones de propensión.
• Demostró la capacidad de B-MSC para abordar de manera eficiente el desequilibrio covariado en estudios de salud observacionales integrados.
• Valida el enfoque a través de simulaciones y un metanálisis de los datos de pacientes con cáncer de mama.

Conclusiones:

• B-MSC supera efectivamente la maldición de la dimensionalidad en el análisis de covariantes para metaanálisis.
• La técnica propuesta mejora la fiabilidad de los análisis comparativos que incluyen estudios de salud observacionales múltiples y de gran dimensión.
• B-MSC ofrece una solución robusta para integrar diversos conjuntos de datos de salud al tiempo que garantiza el equilibrio de las covariantes.