倾向得分匹配法是通过对样本建模(logit模型)得到倾向性得分,通过倾向性得分为试验组组在对照组中找到最接近的样本,从而进行研究的。
倾向得分匹配在真实世界临床研究用途越来越广泛,它是一种事后推动组间比较均衡化的方法,控制混杂偏倚。那么匹配完了后,应该用什么方法呢?
观察性研究,当我们数据已经均衡可比了,我们应该怎么去分析呢?
倾向得分匹配后,出现了两种现象:第一,样本量减少了;第二,匹配带来了数据的聚集性,造成数据不独立。
这里针对“生存事件资料”,提出几种解决数据不独立、样本量减少的办法。生存事件资料倾向得分匹配后,可开展分层Cox回归、稳健Cox回归、Cox 脆弱模型(Frailty model)回归。在Cox回归应用上,我看大多数人还用普通的Cox回归。其实,最推荐的应该是稳健法Cox回归方法。
接下来通过一份是实操数据集分别向大家展示匹配后回归分析的R语言代码与风暴统计平台的便捷式操作!
一、实操案例介绍
数据集来源于R自带survival包的数据集gbsg,该数据集包含1984-1989年德国乳腺癌研究小组(GBSG)进行的720例淋巴结阳性乳腺癌患者试验的患者记录;它保留了686例患者预后变量的完整数据。本次实操涉及的变量说明如下。
二、R语言代码
在R语言中,稳健法Cox回归方法,,它同样在survival包的conph函数中,增加了cluster参数设置,这个参数设置了,你就知道它的好处了。
coxph(Surv(rfstime, status)~hormon,cluster = subclass,data=gbsg)
除此之外,一些学者推荐了其它的方法,有一种是分层Cox回归,另外就是脆弱模型。分层Cox回归,Cox方程中增加strata参数设置
coxph(Surv(rfstime, status)~hormon+strata(subclass),data=gbsg)
脆弱模型,Cox方程中增加frailty参数设置
coxph(Surv(rfstime, status)~hormon+strata(frailty),data=gbsg)
cox三种回归模型,结果有一定的差异。一些文献,包括我,推荐稳健法Cox回归模型。
三、风暴统计实操
在风暴统计平台,目前完成倾向性得分匹配后,可以一站式解决各类Cox回归!以R代码为基础,但是操作更加便捷简单!有需要各位可以试一试!
https://shiny.medsta.cn/psmcox/
1.倾向性得分匹配
在之前的文章中,就为大家详细介绍了风暴统计平台进行PSM分析的实操全流程,包括匹配前后的差异性三线表、概率密度分析图、SMD分析图等,匹配后数据与分析结果均支持下载!可以点击下方链接了解详情!
倾向得分匹配如何开展?非常便捷的工具来了,分分钟形成一篇论文!
2.绘制生存曲线图
这里我们想要研究激素治疗(hormon)对乳腺癌患者生存时间的影响。分别选入生存时间变量、生存结局变量、分组变量,数据集可以是匹配前也可以是匹配后。
选择完毕后,右侧直接给出KM曲线!最右侧菜单栏还可以调整图片的配色、字体及其他要素等,即使是新手小白也可以绘制出不输R语言的精美图像。
3.匹配后的回归分析
①回归模型的选择
这里直接勾选模型即可,比R代码更便捷简单!
②回归变量的选择
这里需要选入我们研究的暴露因素,及匹配后仍不均衡的变量。
例如我们想要研究激素治疗(hormon)对乳腺癌患者生存时间的影响,在匹配后,其他变量都均衡的情况下,只需要纳入激素治疗(hormon)这一个变量即可。
右侧立即给出匹配后单因素、多因素及单+多三种结果的三线表结果!
③下载保存结果
分析结束后,可以直接将分析结果下载下来,直接是三线表形式,一步到位!
以上就是本次更新的全部内容了,如果关于网站建设,您有其他建议,欢迎留言哦!