Baidu
map

控制混杂因素,教你4招!

2019-02-28 医咖会 医咖会

当我们想要评估某种干预措施的疗效时,最为理想的研究方案是,除了干预措施以外,其他所有可能会影响结局的因素,包括已知的和未知的因素,在两组研究对象之间均保持一致。随机化是解决这一问题最理想的方法,但在观察性研究中暴露/处理因素往往是病人自行或被动选择的,从而导致暴露/处理组和非暴露/对照组人群之间的预后因素分布不均衡,使得真实的效应值被低估或高估,引起偏倚。这种现象我们称之为混杂(Confoundi

当我们想要评估某种干预措施的疗效时,最为理想的研究方案是,除了干预措施以外,其他所有可能会影响结局的因素,包括已知的和未知的因素,在两组研究对象之间均保持一致。

随机化是解决这一问题最理想的方法,但在观察性研究中暴露/处理因素往往是病人自行或被动选择的,从而导致暴露/处理组和非暴露/对照组人群之间的预后因素分布不均衡,使得真实的效应值被低估或高估,引起偏倚。这种现象我们称之为混杂(Confounding),其中引起混杂效应的因素被称为混杂因素(Confounder)。

为了控制混杂因素对研究结果的干扰,减少偏倚,我们需要对混杂因素进行一定的调整,使其在暴露/处理组和非暴露/对照组中分布均衡,才能更准确地探讨暴露/处理因素与研究结局之间的关联性,保证观察性研究结果的真实可靠。

本专题就详细介绍观察性研究控制混杂因素的4种方法。以下小标题都可以直接点击查看详细教程。

1. 分层分析(Stratified Analysis)

分层分析是一种常用的控制混杂因素的方法,它是将数据资料按照某个需要控制的混杂因素进行分层,然后再估计暴露/处理因素与研究结局之间的关联性。

2. 多因素调整分析(Multivariable risk adjustment)

分层分析仅仅适用于混杂因素较少,且多为分类变量的情况。当我们的研究中存在较多的混杂因素,且混杂因素较为复杂时,可以尝试多因素调整分析法。在多因素调整分析方法中,根据因变量的类型不同,我们最常应用到的三种回归模型即:多重线性回归、logistic回归及Cox回归。

3. 倾向性评分分析(Propensity Score Analysis,PSA)

分层分析法和多因素调整分析法,操作起来较为简单也易于理解,但是他们都有一个共同的局限性,也就是同时调整的混杂因素的数量不能太多,且受到结局事件例数的限制。如果有大量的混杂因素需要同时进行调整的话,此时该怎么办呢?来看一下倾向性分析。

目前应用倾向性评分来控制混杂因素的方法主要有四种:倾向性评分匹配法,倾向性评分分层法,倾向性评分校正法,倾向性评分加权法。

4. 工具变量分析(Instrumnental Variable Analysis,IVA)

分层分析、多因素调整和倾向性分析等方法,优点在于使用起来相对简单,对结果的解释易于理解,但缺点在于它们仅能控制已测量到的混杂因素所引起的偏倚,而无法消除未知的、被遗漏的、以及测量不准确的混杂因素所造成的残余混杂。

为了进一步消除这部分残余混杂,2006年Brookhart等人首次从计量经济学中将工具变量分析(Instrumental Variable Analysis, IVA)的概念引入到观察性研究中,经过10年的发展,工具变量分析法在观察性研究中得到了越来越多的应用。

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=362699, encodeId=b2673626995b, content=xxfx谢谢分享, beContent=null, objectType=article, channel=null, level=null, likeNumber=77, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=https://thirdwx.qlogo.cn/mmopen/vi_32/DYAIOgq83eqYPFHuMA3bhYQrHvycmum7IJoCsLK0FP6X56Eoj9PZAECDke8zLCKxZZvk9q7B6rZmPuFgN5YCfw/132, createdBy=00912551888, createdName=12543c13m83暂无昵称, createdTime=Fri Mar 15 17:03:58 CST 2019, time=2019-03-15, status=1, ipAttribution=)]
    2019-03-15 12543c13m83暂无昵称

    xxfx谢谢分享

    0

Baidu
map
Baidu
map
Baidu
map