在医疗保健数据库研究中,有针对性的学习与低调 LASSO 倾向性得分模型进行大规模的协变量调整

科学领域:

• 健康数据科学健康数据科学
• 因果推理方法的方法论.
• 统计建模 统计建模

背景情况:

• 最小绝对收缩和选择操作员 (LASSO) 回归在大型健康数据库中用于倾向得分 (PS) 估计是常见的.
• 低滑 LASSO PS 模型可以改善混控制,但可能导致共变量分布不重叠.
• 对于 LASSO PS 型号的最佳底层选择尚不清楚,以平衡混控制和共变重叠.

研究的目的:

• 在大规模 LASSO PS 模型中评估协作控制的针对性学习,以对数据进行适应的底选择.
• 评估这种方法在单一和双重强大的框架内对因果估计者的偏差减少的影响.
• 在使用底滑 LASSO PS 模型时,确定交叉拟合在缓解共变非重叠和偏差方面的作用.

主要方法:

• 进行了模拟研究,以评估协作学习的表现.
• 该方法应用于大规模倾向得分模型中对底层涂料的数据适应性选择.
• 用单个和双重强大的框架来估计因果关系.
• 交叉拟合被纳入以解决潜在的问题与共变量重叠.

主要成果:

• 协作学习有效地选择了底层平滑的程度,从而减少了估计治疗效果的偏差.
• 使用协作学习装配的低滑 LASSO PS 模型显示了更好的混控制.
• 交叉拟合被证明是防止共变量分布不重叠和进一步减少因果估计偏差的关键.

结论:

• 协作控制的有针对性的学习提供了一个数据适应性策略,用于优化 LASSO 倾向性得分模型中的下滑.
• 这种方法可以有效地减少医疗保健数据库研究中因果效应估计的偏见.
• 将交叉拟合与底部平滑的 LASSO PS 模型集成至关重要,以保持共变量重叠并确保可靠的因果推断.