Dokument: Wie relevant sind unbekannte Confounder in gematchten Propensity Score Analysen? Eine Auswertung randomisierter Studien mit Hilfe des Propensity Scores

Titel:	Wie relevant sind unbekannte Confounder in gematchten Propensity Score Analysen? Eine Auswertung randomisierter Studien mit Hilfe des Propensity Scores
Weiterer Titel:	How relevant are unknown confounders in matched propensity score analyses? An evaluation of randomised controlled trials by propensity score
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=53770
URN (NBN):	urn:nbn:de:hbz:061-20200804-104902-9
Kollektion:	Dissertationen
Sprache:	Deutsch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Miller, Matthaeus [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 1,66 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 20.07.2020 / geändert 20.07.2020
Beitragende:	Prof. Dr. Kuß, Oliver [Gutachter] Prof. Dr. Dragano, Nico [Gutachter]
Dewey Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:	Aufgrund der einzigartigen Möglichkeit, sowohl bekannte als auch unbekannte Patientenmerkmale homogen zu verteilen (1), werden randomisiert kontrollierte Studien (RCTs) als Goldstandard zur Beantwortung medizinischer Fragestellungen gehandhabt. Ein Vergleich mehrerer Reviews ergab, dass es „im Mittel [...] wenig Anzeichen für signifikante Unterschiede in der Effektschätzung zwischen Beobachtungsstudien und RCTs [gibt]“ (2). Nur bei fehlender Assoziation mit bekannten Störgrößen sind unbekannte Störgrößen problematisch (3). Die Assoziation zwischen bekannten und unbekannten Merkmalen wird in dieser Arbeit indirekt beurteilt, indem RCT-Analysen mit PS-gematchten Analysen derselben RCTs verglichen werden (4). Durch das Matching wird die Verteilung bekannter Patientenmerkmale verbessert (5). Eine fehlende Assoziation zwischen bekannten und unbekannten Merkmalen liegt dann vor, wenn eine bessere Verteilung bekannter Merkmale nicht zu einer besseren Verteilung der unbekannten Merkmale führt und schließlich in einer verzerrten Effektschätzung resultiert (4). Grundlage für die Analysen dieser Arbeit sind 26 RCTs von Kent et al. (2016) (6). Die Patientenmerkmale aus table 1 der Publikationen wurden in das PS-Modell einbezogen und für das PS-Matching nach Austins Empfehlung ein Nearest Neighbor Caliper Matching ohne Replacement verwendet (7). Ordinale, binäre und Ereignis-Zeit Zielgrößen wurden auf der log-Skala und stetige Zielgrößen mithilfe von Cohen's d geschätzt. Eine schrittweise Reduzierung der Caliperweiten intensivierte das PS-Modell, die PS-Analysen wurden vorab und blind für die RCT-Analyse durchgeführt. (4) In 96,71% der Fälle liegen die Effektschätzer der PS-gematchten Analyse in den 95%-KI der Effektschätzer der RCT-Analyse. Der McNemar Test zeigt keinen signifikanten Unterschied der Schätzung signifikanter Effekte zwischen beiden Schätzmethoden; χ²=1,0;χ²1;0,95=3,841; p=0,3173. Es besteht dabei eine sehr gute Übereinstimmung; κ=0,81 [0,7217; 0,8994]. Der T-Test (α=0,05) zeigt keinen signifikanten Unterschied mit einem Mittelwert der Differenzen von -0,00117 [-0,0231; 0,0208]; t=-0,10; p=0,9166. Insgesamt zeigen die Analysen keine signifikanten Unterschiede zwischen den beiden Schätzmethoden. Somit verursachen unbekannte Störgrößen keine signifikante Veränderung der Effektschätzer und sind somit sehr wahrscheinlich mit bekannten Störgrößen assoziiert (4). Die unbekannten Störgrößen, welche nur durch RCTs gleichmäßig verteilt werden können (8), verlieren somit an Gewicht, sodass der Einsatz gut konzipierter Beobachtungsstudien in Zukunft an Bedeutung gewinnen und noch vergleichbarere Ergebnisse zu RCTs liefern kann. 1. Weiner BK. On confounders: known and unknown. The Spine Journal. November 2009;9(11):924–5. 2. Anglemyer A, Horvath HT, Bero L. Healthcare outcomes assessed with observational study designs compared with those assessed in randomized trials. Cochrane Methodology Review Group, Herausgeber. Cochrane Database of Systematic Reviews [Internet]. 29. April 2014 [zitiert 18. April 2018]; Verfügbar unter: http://doi.wiley.com/10.1002/14651858.MR000034.pub2 3. Stuart EA. Matching Methods for Causal Inference: A Review and a Look Forward. Statistical Science. Februar 2010;25(1):1–21. 4. Kuss O, Miller M. Unknown confounders did not bias the treatment effect when improving balance of known confounders in randomized trials. Journal of Clinical Epidemiology. Oktober 2020;126:9–16. 5. Rubin DB, Thomas N. Matching Using Estimated Propensity Scores: Relating Theory to Practice. Biometrics. März 1996;52(1):249–64. 6. Kent DM, Nelson J, Dahabreh IJ, Rothwell PM, Altman DG, Hayward RA. Risk and treatment effect heterogeneity: re-analysis of individual participant data from 32 large clinical trials. International Journal of Epidemiology. 3. Juli 2016;45(6):2075–88. 7. Austin PC. A comparison of 12 algorithms for matching on the propensity score. Statistics in Medicine. 15. März 2014;33(6):1057–69. 8. Kuss O, Blettner M, Börgermann J. Propensity score: an alternative method of analyzing treatment effects. Deutsches Aerzteblatt Online [Internet]. 5. September 2016 [zitiert 18. April 2018]; Verfügbar unter: http://www.aerzteblatt.de/10.3238/arztebl.2016.0597 Due to the exceptional potential of distributing known and unknown patient characteristics similarly (1) randomized controlled trials (RCTs) are treated as the gold standard design for answering medical questions. A comparison of many reviews revealed that "on average, there is little evidence for significant effect estimate differences between observational studies and RCTs [...]“ (2). Only having no association with known patient characteristics makes unknown patient characteristics difficult to handle (3). The association of known and unknown patient characteristics will be assessed indirectly in this work comparing RCT-analyses with PS-matched analyses of the same RCT (4). PS-matching will increase balance of known patient characteristics (5). An absence of association between unknown and known patient characteristics will be present if increased balance of known patient characteristics does not lead to an increased balance of unknown patient characteristics and finally results in confounded effect estimations (4). In the analyses 26 RCTs of Kent et al (2016) are used (6). All the patients characteristics from table 1 of the articles are included for PS-matching which is using a nearest neighbor caliper matching without replacement as a matching algorithm following a recommendation of Austin (7). Ordinal, binary and time-to-event outcomes will be analyzed on the log-scale, while continuous outcomes will be estimated by Cohen's d. Diminishing step by step the caliper width will increase the degree of matching. All PS analyses are performed in advance and without referring to the outcomes of the full RCT analyses. (4) 96.71% of the PS analyses' treatment effects lie in the 95% CI of the full RCT's treatment effects. There is no significant difference in estimating significant treatment effects between the two methods according to McNemar's test; χ²=1.0,χ²1;0.95=3.841, p=0.3173. At the same time there is very good agreement; κ=0.81 [0.7217; 0.8994]. Furthermore T-Test (α=0.05) shows no significant difference with a mean difference of -0.00117 [-0.0231; 0.0208]; t=-0.10; p=0.9166. In a nutshell this work's analyses detect no significant differences between the two methods. It follows that unknown patient characteristics do not change the treatment effects significantly and therefore they are likely to be associated with known patient characteristics (4). Thus unknown patient characteristics which can only be distributed equally by RCTs (8) lose weight so that usage of well concepted observational trials will gain importance in the future and deliver even more comparable results to RCTs. 1. Weiner BK. On confounders: known and unknown. The Spine Journal. November 2009;9(11):924–5. 2. Anglemyer A, Horvath HT, Bero L. Healthcare outcomes assessed with observational study designs compared with those assessed in randomized trials. Cochrane Methodology Review Group, Herausgeber. Cochrane Database of Systematic Reviews [Internet]. 29. April 2014 [zitiert 18. April 2018]; Verfügbar unter: http://doi.wiley.com/10.1002/14651858.MR000034.pub2 3. Stuart EA. Matching Methods for Causal Inference: A Review and a Look Forward. Statistical Science. Februar 2010;25(1):1–21. 4. Kuss O, Miller M. Unknown confounders did not bias the treatment effect when improving balance of known confounders in randomized trials. Journal of Clinical Epidemiology. Oktober 2020;126:9–16. 5. Rubin DB, Thomas N. Matching Using Estimated Propensity Scores: Relating Theory to Practice. Biometrics. März 1996;52(1):249–64. 6. Kent DM, Nelson J, Dahabreh IJ, Rothwell PM, Altman DG, Hayward RA. Risk and treatment effect heterogeneity: re-analysis of individual participant data from 32 large clinical trials. International Journal of Epidemiology. 3. Juli 2016;45(6):2075–88. 7. Austin PC. A comparison of 12 algorithms for matching on the propensity score. Statistics in Medicine. 15. März 2014;33(6):1057–69. 8. Kuss O, Blettner M, Börgermann J. Propensity score: an alternative method of analyzing treatment effects. Deutsches Aerzteblatt Online [Internet]. 5. September 2016 [zitiert 18. April 2018]; Verfügbar unter: http://www.aerzteblatt.de/10.3238/arztebl.2016.0597
Lizenz:	Urheberrechtsschutz
Fachbereich / Einrichtung:	Medizinische Fakultät
Dokument erstellt am:	04.08.2020
Dateien geändert am:	04.08.2020
Promotionsantrag am:	25.11.2019
Datum der Promotion:	16.07.2020