基于现实世界研究中临床随访数据的两种动态预测建模方法的实证研究

目的： 针对现实世界研究（real-world study，RWS）中常见的具有纵向测量属性的动态观察指标，探讨界标法和联合建模法2种动态预测方法的应用价值。方法： 基于358例某重症肺炎患者预后数据，分别采用界标法和联合建模法，基于R软件，对于第5天、第10天、第15天尚处于观察期的某重症肺炎患者，预测其未来的死亡风险。结果： 2种方法均能在各时间点预测个体未来发生结局事件的概率。第5天、第10天和第15天，利用界标法进行动态预测的AUC分别为81.64%、85.89%和82.15%；而联合建模法的AUC分别为81.11%、85.07%和72.09%。结论： 在针对动态历史数据的现实世界研究中，可采用动态预测模型分析法，从而获得更为丰富的信息。     

利用因果森林估计异质性人群下个体的处理效应

目的 探讨因果森林在异质性人群中估计个体处理效应的有效性及如何应用于实例数据以挖掘异质性人群特征。方法 设计4种模拟方案,通过模拟试验验证因果森林在不同处理效应环境设置下对个体处理效应进行估计的效果,并应用于右心导管插入术实例数据集进行分析。结果 模拟试验结果表明,在4种不同效应值设置下,用因果森林方法所估计的个体处理效应值都能与总体效应相吻合,符合预期分布;实例数据分析结果显示绝大多数患者个体处理效应为正值,使用RHC会导致该样本人群180 d死亡率增高,2月生存模型估计概率和白蛋白含量偏低的患者在使用RHC后更倾向于有较低的死亡风险。结论 因果森林能够有效地估计个体处理效应,为个体是否接受某种处理提供建议。     

多重并行中介分析方法的比较研究

目的:介绍4种多重并行中介模型的分析方法,包括纯回归法、逆概率加权法、扩展的自然效应模型和基于权重的填补法,并对其进行探讨和比较。方法:针对多重并行中介模型,通过3种情境的模拟试验比较不同方法在不同情境下估计直接效应和间接效应的表现,并应用英国生物样本库的数据集进行实例分析。结果:模拟试验和实例分析结果显示纯回归法和逆...     

存在时依性混杂时的G方法

  目的  介绍处理时依性混杂的G方法,并对不同G方法进行探讨和比较。  方法  通过4个情境的模拟试验验证不同G方法在不同情境下对时依性混杂的处理效果,并应用英国生物样本库(UK Biobank)的数据集进行实例分析。  结果  模拟试验和实例分析结果均显示G方法能有效处理时依性混杂。模拟试验显示3种方法效果类似,G-computation易受G-null paradox的影响。随着时依性混杂因素数量增加,相比于G-computation和G-estimation,逆概率加权法(inverse probability of treatment weighting, IPTW)的效果波动较大。  结论  不同G方法都能适当地处理时依性混杂,降低统计分析过程中的偏倚大小。     

利用现实世界数据仿真临床试验：目标试验的发展与应用

临床试验是评价干预措施疗效和安全性的金标准，但存在花费大、耗时长等限制。现实世界数据可为比较性研究提供强大的数据基础，但研究质量参差不齐。本文介绍了仿真目标试验，其利用现实世界数据，按照临床试验的设计，事先定义暴露和结局、设立纳入排除标准、确定时间零点、估计样本量和制定统计分析计划等，以期提高观察性研究的证据等级，并初步讨论仿真目标试验的证据等级评价标准，通过案例解读仿真目标试验。     

存在混杂时高维数据的随机森林分析

目的：探讨存在混杂因素时高维数据中随机森林（random forest,RF）的分析方法。方法：通过模拟实验和实例数据分析对单纯随机森林分析、增加节点候选变量为最大值以及基于广义线性模型的残差校正混杂因素的结果进行比较,以重要变量的重要性评分排序情况进行评价。结果：模拟实验表明,增加节点候选变量的方法对混杂因素的校正效果不明显,而基于广义线性模型残差的方法能有效校正混杂效应;实际数据分析结果显示单纯随机森林分析rs3754686和rs2322660分别排在第一和第二位。增加节点候选变量后rs3754686排序变化较小,而基于残差的方法校正人群分层后这两个单核苷酸多态位点（SNPs）的排序大幅度降低,从而打破乳糖酶（LCT）基因与身高之间的虚假关联。结论：随机森林分析需要考虑混杂因素问题,基于广义线性模型的残差能有效校正混杂因素,适用于高维数据的变量筛选。     

观察性研究中针对未测量混杂干扰的敏感性分析方法

目的 介绍敏感性分析方法,并对不同方法进行探讨和比较。方法 通过模拟试验和实例比较混杂函数敏感性分析法和边界因子敏感性分析方法在观察性研究中校正未测量混杂因素准确性的差异。结果 模拟试验与实际例子研究结果均显示,当暴露（X）与结局（Y）之间存在未测量混杂情况下,混杂函数法和边界因子相比,在分析未测量混杂因素的效应至少达到多大强度才能导致观测效应值大小和方向彻底改变的问题上,混杂函数和边界因子分析结果相似。但混杂函数法在完全解释观测效应值时所需的混杂效应强度小于边界因子做出同样解释所需的混杂效应值。边界因子分析中设置两个参数,而混杂函数中只有一个参数,混杂函数法在分析计算过程中较边界因子法简便灵敏。结论 对于真实世界观察性研究数据,分析暴露（X）与结局（Y）之间的因果效应时,敏感性分析过程必不可少,从计算过程和结果解释上,混杂函数敏感性分析方法是一个值得推荐的方法。