Métodos de puntuación de propensión para crear una distribución equilibrada de las covariables en los estudios observacionales

Resumen La asignacion aleatoria del tratamiento en los experimentos divide a los pacientes en grupos de tratamiento que estan aproximadamente equilibrados en cuanto a las covariables basales. Sin embargo, en los estudios observacionales, en los que la asignacion del tratamiento no es aleatoria, los pacientes de los grupos de tratamiento activo y de control difieren a menudo en covariables cruciales que estan relacionadas con las variables de respuesta. Estos desequilibrios en las covariables pueden conducir a estimaciones sesgadas del efecto del tratamiento. La puntuacion de propension (propensity score) es la probabilidad de que a un paciente con unas caracteristicas basales especificas se le asigne el tratamiento activo, y no el control. Aunque las puntuaciones de propension son desconocidas en los estudios observacionales, al parear o subclasificar a los pacientes segun las puntuaciones de propension estimadas, podemos disenar estudios observacionales que sean analogos a los experimentos aleatorios, con un equilibrio aproximado entre pacientes en cuanto a las covariables observadas. Los disenos de estudios observacionales basados en puntuaciones de propension estimadas pueden producir estimaciones aproximadamente insesgadas del efecto del tratamiento. Una cuestion crucial es que los disenos de puntuacion de propension deben crearse sin tener acceso a las respuestas, imitando la separacion entre el diseno del estudio y el analisis de las respuestas que es propia de los experimentos aleatorios. En este articulo se describen el marco conceptual de las respuestas potenciales para la inferencia causal y las mejores practicas para el diseno de estudios observacionales con puntuaciones de propension. Comentamos el uso de puntuaciones de propension en dos estudios en los que se evaluaron la efectividad y los riesgos de los farmacos antifibrinoliticos durante las cirugias cardiacas.

[1]  L. Køber,et al.  Proton pump inhibitor use and risk of adverse cardiovascular events in aspirin treated patients with first time myocardial infarction: nationwide propensity score matched study , 2011, BMJ : British Medical Journal.

[2]  D. Rubin.  The design versus the analysis of observational studies for causal effects: parallels with the design of randomized trials , 2007, Statistics in medicine.

[3]  Keyvan Karkouti,et al.  A propensity score case‐control comparison of aprotinin and tranexamic acid in high‐transfusion‐risk cardiac surgery , 2006, Transfusion.

[4]  C. Glymour,et al.  STATISTICS AND CAUSAL INFERENCE , 1985 .

[5]  D. Rubin.  Matched Sampling for Causal Effects , 2006 .

[6]  I. C. Tudor,et al.  The risk associated with aprotinin in cardiac surgery. , 2006, The New England journal of medicine.

[7]  D. Rubin.  For objective causal inference, design trumps analysis , 2008, 0811.1640.

[8]  A. Hoeft,et al.  Mortality associated with aprotinin during 5 years following coronary artery bypass graft surgery. , 2007, JAMA.

[9]  W. G. Cochran.  The effectiveness of adjustment by subclassification in removing bias in observational studies. , 1968, Biometrics.

[10]  D. Rubin,et al.  Using Multivariate Matched Sampling and Regression Adjustment to Control Bias in Observational Studies , 1978 .

[11]  D. Rubin,et al.  The central role of the propensity score in observational studies for causal effects , 1983 .

[12]  Ralph B D'Agostino,et al.  Estimating treatment effects using observational data. , 2007, JAMA.

[13]  D. Rubin.  Estimating causal effects of treatments in randomized and nonrandomized studies. , 1974 .

[14]  D. Adams,et al.  A propensity score-adjusted retrospective comparison of early and mid-term results of mitral valve repair versus replacement in octogenarians. , 2011, European heart journal.

[15]  D. Rubin,et al.  The Bias Due to Incomplete Matching , 1985 .

[16]  M. Gheorghiade,et al.  Heart failure, chronic diuretic use, and increase in mortality and hospitalization: an observational study using propensity score methods. , 2006, European heart journal.

[17]  D. Rubin,et al.  Constructing a Control Group Using Multivariate Matched Sampling Methods That Incorporate the Propensity Score , 1985 .

[18]  D. Rubin,et al.  Reducing Bias in Observational Studies Using Subclassification on the Propensity Score , 1984 .

[19]  R. D'Agostino.  Propensity score methods for bias reduction in the comparison of a treatment to a non-randomized control group. , 2005, Statistics in medicine.