Evaluación de los efectos del tratamiento en datos observacionales con confundidores faltantes: un estudio...

Área de la Ciencia:

• Farmacovigilancia; Bioestadística; Ciencia de datos de salud

Sus antecedentes:

• La farmacovigilancia se basa en registros administrativos y de salud electrónicos (EHR) para estudios de seguridad y eficacia.
• La falta de datos de confundidores es común en estos conjuntos de datos del mundo real, lo que requiere enfoques analíticos robustos.
• La imputación múltiple (MI) y el ponderado por probabilidad inversa (IPW) son estándar, pero pueden no ser óptimos para datos faltantes.

Objetivo del estudio:

• Evaluar y comparar el rendimiento de los métodos de doble robustez poco utilizados frente a los métodos tradicionales MI e IPW para el manejo de datos faltantes en farmacovigilancia.
• Proporcionar orientación sobre la selección de métodos apropiados de análisis de datos faltantes basados en el rendimiento en varios escenarios.

Principales métodos:

• Se investigaron dos estimadores de doble robustez: la generalización de raking y la estimación de máxima verosimilitud dirigida (TMLE) ponderada por probabilidad inversa.
• Se realizaron estudios numéricos exhaustivos con datos sintéticos en diversos escenarios de falta de datos y generación de datos, incluyendo resultados infrecuentes y altas proporciones de falta de datos.
• Se utilizaron estudios de simulación de plasmodios que emulan grandes cohortes de EHR para evaluar el rendimiento en un entorno de resultados infrecuentes con datos de confundidores faltantes sustanciales (>50%).

Principales resultados:

• Los métodos de doble robustez demostraron un rendimiento superior, particularmente en términos de la compensación entre sesgo y varianza, en comparación con MI e IPW en varios escenarios.
• La generalización de raking y TMLE mostraron una mayor eficiencia y robustez, especialmente en condiciones de alta falta de datos y resultados infrecuentes.
• El estudio identificó escenarios específicos donde los métodos de doble robustez reducen significativamente el sesgo y mejoran la precisión en la estimación de efectos.

Conclusiones:

• Los métodos de doble robustez, específicamente la generalización de raking y TMLE, representan herramientas valiosas, aunque poco utilizadas, para el análisis de datos faltantes en farmacovigilancia.
• Estos métodos ofrecen una mayor eficiencia y robustez estadística, lo que conduce a estimaciones de seguridad y eficacia más confiables a partir de datos del mundo real.
• Se anima a los investigadores a adoptar enfoques de doble robustez para el manejo de datos de confundidores faltantes para mejorar la validez de los hallazgos de farmacovigilancia.