基于治疗轨迹潜类别增长建模的边缘结构模型
统计方法学
2023-10-18 v2
摘要
在真实环境中，关于他汀类药物对老年人一级预防有效性的认知十分有限，而对观察性数据的分析可补充实际用药模式获益的关键信息。潜类别增长模型(LCGM)正日益被提出作为一种将观测纵向治疗归纳为少数不同组别的方案。当与Cox比例风险模型等标准方法结合时，LCGM可能因具有混杂因子与中介变量双重作用的时间依存协变量而无法控制时间依存混杂偏倚。我们提出使用LCGM基于用药依从性模式将个体分类为若干潜类别，然后选择一个将结局与这些组别相关联的工作边缘结构模型(MSM)。所关注的参数被非参数地定义为真实MSM到所选工作模型的投影。LCGM与MSM的结合是一种描述治疗依从性的便捷方式，且可有效控制时间依存混杂。模拟研究用于阐明我们的方法，并将其与未调整、基线协变量调整、时间依存协变量调整以及逆轨迹组概率加权调整模型进行比较。我们发现所提方法产生的估计量具有极小或无偏倚。
引用
@article{arxiv.2105.12720,
title = {Marginal structural models with Latent Class Growth Modeling of Treatment Trajectories},
author = {Awa Diop and Caroline Sirois and Jason Robert Guertin and Denis Talbot},
journal= {arXiv preprint arXiv:2105.12720},
year = {2023}
}
备注
12 pages, 2 figures et 2 tables