Enfoques basados en variables instrumentales para la estimación de los efectos del tratamiento variables en el tiempo...

Área de la Ciencia:

• Epidemiología
• Estadísticas biológicas
• Investigación en servicios de salud

Sus antecedentes:

• Los datos longitudinales a gran escala permiten la inferencia causal para las intervenciones de salud.
• Los métodos de variables instrumentales (IV) pueden mitigar el sesgo de confusión.
• Existen enfoques IV limitados para instrumentos y factores de confusión que varían en el tiempo.

Objetivo del estudio:

• Evaluar dos enfoques con variables instrumentales para tratamientos que varían en el tiempo.
• Para comparar la estimación g con la ponderación de probabilidad inversa en simulaciones y un estudio de caso en el mundo real.
• Evaluar el impacto de Adalimumab en la calidad de vida de la artritis reumatoide utilizando estos métodos.

Principales métodos:

• Estimación g extendida para IVs de tiempo fijo y comparada con la ponderación de probabilidad inversa para IVs de tiempo variable.
• Se llevó a cabo un estudio de simulación para evaluar el rendimiento en varios escenarios.
• Métodos aplicados a una cohorte del Banco Nacional de Datos de Enfermedades Reumáticas de los Estados Unidos, utilizando la preferencia del médico como instrumento para Adalimumab.

Principales resultados:

• La estimación G arrojó estimaciones imparciales y precisas del efecto del tratamiento, robustas a débiles y de confusión.
• La ponderación de la probabilidad inversa se realizó adecuadamente con IV fuertes variables en el tiempo, pero se degradó con IV débiles.
• Ambos métodos no indicaron ninguna mejora en la calidad de vida con Adalimumab sostenido en comparación con otros fármacos biológicos; la estimación g proporcionó intervalos de confianza más estrechos.

Conclusiones:

• El enfoque de estimación de g basado en IV es confiable para tratamientos variables en el tiempo con IV válidos variables en el tiempo.
• La ponderación de probabilidad inversa es una alternativa, pero requiere IV fuertes, que son poco comunes en la práctica.
• Se recomienda la estimación G para una inferencia causal robusta en estudios de salud longitudinales complejos.