缓解混的高维度倾向评分:在香港使用初级和二级护理数据的实施
Edmund C L Cheung1, Min Fan1, Celine S L Chui2,3
1Centre for Safe Medication Practice and Research, Department of Pharmacology and Pharmacy, Li Ka Shing Faculty of Medicine, The University of Hong Kong, Hong Kong, China.
在香港数据中实施高维倾向分数 (HDPS) 改善了观察性研究中的共变量平衡. 这种方法揭示了β抑制剂与降低痴呆风险之间的潜在联系,与传统方法不同.
科学领域:
- 观察性健康数据科学数据科学
- 药学流行病学 药学流行病学
- 生物统计学 生物统计学
背景情况:
- 在观察性医疗保健数据库研究中,混是一个主要的挑战.
- 高维倾向分数 (HDPS) 算法利用全面的数据来减少剩余的混.
- 在新的环境中实施HDPS等新方法对于强大的研究至关重要.
研究的目的:
- 在香港 (HK) 医疗保健数据库中实施和评估高维倾向分数 (HDPS) 方法.
- 使用HDPS调查抗高血压药物类与发病痴呆风险之间的关联.
- 评估HDPS对共同变量平衡的影响,并确定潜在的混因素.
主要方法:
- 一项队列研究使用对抗高血压药物的新用户的HK数据进行.
- 实施了高维倾向分数 (HDPS),包括前250个共变量,用于治疗权重的逆概率.
- 评估了共变量平衡,并进行了灵敏度分析.
主要成果:
- 这项研究包括了434506名新的抗高血压药物使用者.
- 传统的倾向性得分 (PS) 方法显示,抗高血压剂和痴呆风险之间没有关联.
- 在HDPS的实施中,与ACE抑制剂相比,β-阻断剂降低了痴呆风险的适度证据 (HR:0.90,95%CI:0.82-0.98),并改善了共变量平衡.
结论:
- 在香港数据中成功实施HDPS,证明了共变量平衡的改善.
- HDPS确定了潜在的数据库特定的脆弱性标记,增强了混者调整策略.
- 这些发现强调了HDPS在减轻现实世界健康数据中的混方面的实用性.
更多相关视频
06:05The Participant-Reported Implementation Update and Score PRIUS: A Novel Method for Capturing Implementation-Related Data Over Time
Published on: February 19, 2021
03:47Author Spotlight: Workflow for Integrating POCUS Data into EHR for Managing Heart Failure Patients
Published on: July 12, 2024
相关概念视频
Primary and Secondary Growth in Roots and Shoots
Primary and Secondary Reinforcers
Effective reinforcers for humans vary depending on the individual and the context. Primary reinforcers, such as food, water, sleep, shelter, and pleasure, have inherent value and satisfy basic biological...
Confounding in Epidemiological Studies
Secondary Active Transport
Strategies for Assessing and Addressing Confounding
Confounding can be addressed at both the design phase of a study and through analytical methods after data...
Introduction to z Scores
z scores...
