一种考虑真实世界证据中信息性治疗转换的工具变量方法

对治疗决策进行可重复且可推广的评估，需要对后续可能影响预期结果并在队列和时间上发生变化的治疗转换进行原则性处理。为了有效考虑信息性治疗转换，我们提出了一种工具变量方法，将记录不佳的转换时预期结果特征化为未测量的混杂因素。在确定基线治疗作为可行的工具变量后，我们基于中心化工具变量与鞅式残差过程之间的关联构建了一个估计方程，该方程在结构累积生存模型下识别治疗效果。我们提出的方法是双重稳健的，即只要基线倾向模型或无转换结果模型中的任何一个被一致估计，该方法就是有效的。在半参数加性风险模型下，治疗效果参数和生存结果回归模型的协同训练消除了观察无转换子集的需求。我们进一步开发了一种基线生存校正的交叉拟合方法，以纳入通用机器学习模型来估计干扰模型。数值结果表明，在一篮子基准解决方案产生有偏或矛盾结果的各种设置中，我们的方法是有效的。我们将我们的方法应用于比较高疗效与标准疗效的疾病修饰治疗作为多发性硬化症的二线治疗。