COMENTARIOS CLÍNICOS Uso de la metodología propensity score

Anuncio
Documento descargado de http://www.revclinesp.es el 19/11/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
COMENTARIOS CLÍNICOS
Uso de la metodología propensity score
en la investigación sanitaria
M. Expósito Ruiz a,*, M. Ruiz Bailén b, S. Pérez Vicente c,* y P. Garrido Fernández d
a
c
Unidad de Apoyo a la Investigación. b Unidad de Cuidados Intensivos. Complejo Hospitalario de Jaén. Jaén. España.
Técnico de Apoyo a la Investigación. Subdirección de Investigación. Hospital Virgen de las Nieves. Granada. España.
d
Unidad de Apoyo a la Investigación. Hospital Torrecárdenas. Almería. España.
En la investigación biomédica es frecuente el diseño
de estudios observacionales para determinar la
asociación entre un tratamiento o exposición y el
efecto que pueden producir. Con el mismo fin se
desarrollan los estudios aleatorizados, que aunque
obtienen resultados más precisos, son más
complejos y costosos.
La aplicación de la metodología propensity score
(PS) en los estudios observacionales hace
que disminuya la aparición de los sesgos que
normalmente presentan, acercándolos en precisión y
fiabilidad a los estudios aleatorizados.
Dado el incremento que se ha producido en los
últimos años respecto a la utilización de
metodología PS en investigación clínica,
consideramos que es de especial interés realizar una
descripción de la misma, resaltando su ámbito de
aplicación y las diferentes técnicas de uso.
Expósito Ruiz M, Ruiz Bailén M, Pérez Vicente S, Garrido Fernández P. Uso de la metodología propensity score en la investigación sanitaria. Rev Clin Esp. 2008;208(7):358-60.
Introducción
En epidemiología, el hecho de que dos fenómenos
estén estadísticamente relacionados no implica necesariamente que uno sea causa del otro, deben cumplirse una serie de condiciones que nos permitan evaluar estas evidencias. El hecho de cometer errores en
el diseño o en el muestreo puede invalidar los resultados obtenidos; la mala selección de la muestra o población de estudio implica errores a la hora de extrapolar
los resultados. Comprobar la validez interna y externa, así como comparar los resultados con los obtenidos en otros estudios nos permitirá confirmar si las
relaciones encontradas son debidas a la causalidad.
En la investigación médica, los diseños observacionales son ampliamente utilizados para determinar asociaciones del tipo causa-efecto, a pesar de que en ellos
* Manuela Expósito Ruiz y Sabina Pérez Vicente son técnicos de apoyo a la
investigación con un contrato financiado por el Instituto de Salud Carlos III.
Correspondencia: M. Expósito Ruiz.
Unidad de Apoyo a la Investigación.
Complejo Hospitalario de Jaén.
Avda. del Ejército Español nº 10.
23007. Jaén. España
Correo electrónico: manuela.exposito.ruiz.exts@juntadeandalucia.es
Aceptado para su publicación el 15 de febrero de 2008.
358
Use of the propensity score methodology in health
care research
Observational studies are frequently used in
biomedical research to determine associations
between a treatment or exposure and the effects
they can produce. Randomized control trials have
been developed with the same purpose. Although
they provide more precise results, they are more
complex and costly.
The use of propensity score methodology in
observational studies helps to decrease the
appearance of bias that they normally present,
making them more accurate and with better
reliability than randomized control trials.
Given the increase in the use of the propensity score
methodology in clinical research in recent years, we
consider that it is of particular interest to make a
description of it, highlighting its application scope
and different use techniques.
pueden producirse ciertos sesgos, como el de clasificación y selección. Los estudios epidemiológicos que
aportan más precisión y minimizan los posibles sesgos
son los experimentales, concretamente el ensayo clínico. Éste es considerado como el de mayor evidencia
para evaluar el efecto de un tratamiento o exposición,
ya que la aleatorización disminuye los sesgos que pueden producirse en un estudio observacional.
En cualquier estudio en el que pretendamos medir el
efecto de un tratamiento o intervención puede existir
un sesgo de confusión, variables que enmascaran o
modifican la asociación real entre el efecto y la exposición. Lo más adecuado sería controlar estas variables
en la fase de diseño del estudio, bien aleatorizando,
bien seleccionando individuos homogéneos en base a
éstas, lo que nos ayudará a reducir este sesgo 1.
En los ensayos clínicos, la aleatorización determina
que las covariables se distribuyan homogéneamente
entre los grupos a comparar (expuestos/no expuestos,
tratados/no tratados) y por tanto las diferencias encontradas se deberán únicamente al tratamiento. Evidentemente, no siempre es posible realizar este tipo de
estudios por cuestiones éticas, económicas, etc. Además, una limitación importante de los estudios aleatorizados es que la mayoría de ellos están diseñados
bajo unas condiciones de inclusión muy restrictivas. En
Rev Clin Esp. 2008;208(7):358-60
00
Documento descargado de http://www.revclinesp.es el 19/11/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
EXPÓSITO RUIZ M ET AL. USO DE LA METODOLOGÍA PROPENSITY SCORE EN LA INVESTIGACIÓN SANITARIA
este sentido, los estudios observacionales permiten recoger una población mucho más diversa en sus características, más próxima a las condiciones que se dan
en el «mundo real», y sus resultados pueden ser generalizables a una mayor parte de la población 2. Surge por
tanto la necesidad de introducir nuevos métodos que
ayuden a reducir las limitaciones y sesgos en los estudios no experimentales. En 1983, Rosenbaum y Rubin
desarrollan el concepto de propensity score (PS) como
una forma de reducir el sesgo de selección y confusión
de los estudios de cohortes 3. Posteriormente ha sido
ampliamente utilizado en diseños epidemiológicos que
evalúan el efecto de un tratamiento o exposición, en
los cuales se introduce el uso de PS como una forma
de reducir el sesgo de confusión.
Exposición del método
En ocasiones se ha traducido el término PS como «índice de propensión», aunque sería más adecuado definirlo como la probabilidad condicionada de recibir un
tratamiento, dado el resto de covariables. La idea de
utilizar el PS es reducir la información de un amplio
conjunto de variables confusoras en una única variable,
de forma que podamos estratificar nuestra población
en base a ésta, y así tengamos controladas todas las
variables confusoras. Así, los individuos dentro de cada
estrato son homogéneos respecto al resto de características medidas.
El PS es la probabilidad condicionada que tiene cada
individuo de la muestra de ser asignado al grupo de tratamiento, dado el resto de covariables. Si para cada individuo i de la muestra se observan una serie de variables confusoras Xi, definimos la variable Z que toma el
valor 1 si el individuo pertenece al grupo de tratamiento
(expuestos) y 0 en otro caso. Entonces el PS para cada
uno de los individuos de la muestra será una función
dependiente de las covariables observadas, dada por
la expresión 4:
e (Xi) = P (Zi = 1/Xi, = xi)
El PS, en un estudio observacional, puede ser estimado
mediante un análisis discriminante o con regresión logística. El inconveniente de utilizar la primera opción es
que la distribución de las covariables (dado Z) debe
ser normal. Esto no es condición necesaria en el caso
de utilizar regresión logística. En este último caso, el PS
para cada individuo se estimaría de la siguiente forma 5:
e (Xi) = P (Z = 1/X1, X2,..., Xp) =
Exp (ß0 + ß1X1 + ... + ßpXp)
1 + Exp (ß0 + ß1X1 + ... + ßpXp)
yen homogéneamente entre los grupos, por lo que
sería equivalente controlar por las confusoras que por
el PS, si las covariables predicen bien la probabilidad
de ser tratado 3.
Aplicación práctica
Una vez estimado el valor de PS, existen varias formas
de aplicarlo en un estudio. Principalmente son tres
las técnicas utilizadas.
Estratificación
Agrupando los sujetos en estratos en base a sus valores de PS, de forma que sean directamente comparables. Los individuos dentro del mismo estrato tienen la
misma probabilidad de recibir el tratamiento, e(Xi).
Habitualmente se forman los estratos en base a los
quintiles del PS, ya que de esta forma se elimina un
90% del sesgo, aproximadamente 1.
Apareamiento (matching)
Para formar el casi experimento, se selecciona un control por cada caso tratado, pero en lugar de aparear
teniendo en cuenta cada una de las covariables, se realiza en base a una única variable, el PS, que resume toda
la información del resto. Del mismo modo que con las
estratificación, los individuos que forman cada pareja
tienen la misma probabilidad de recibir el tratamiento.
Existen varias técnicas de apareamiento, Onur Baser 6
establece una serie de criterios que ayudarán al investigador a seleccionar la apropiada en cada caso.
Modelo de regresión (covarianza)
Esta tercera opción consiste en formar un modelo de
regresión multivariante que contenga la variable resultado (PS), y un conjunto de covariables relevantes.
Mientras que en la estratificación y matching el ajuste
de las covariables se hace antes de calcular el efecto del
tratamiento, en el modelo de covarianza, el ajuste se
hace de forma simultánea.
Rubin demostró que un ajuste de covarianza puede
incrementar el sesgo si las matrices de covarianza en
los grupos de tratamiento y control son diferentes. Otro
problema surge cuando la varianza en ambos grupos
es muy distinta (normalmente mucho mayor en el grupo de los no tratados). Bajo estas circunstancias es más
adecuado la estratificación o el matching, que un ajuste de covarianza 7.
Limitaciones
Donde (X1,…, Xp) es el conjunto de covariables. De
esta forma, el PS resume la información de un amplio
conjunto de confusoras en una única variable: el PS.
Rosembaum demostró que el PS balancea todas las
covariables observadas, es decir, que éstas se distribu00
Algunas de las limitaciones que presenta la metodología PS son 8:
1) La existencia de posibles covariables que no han
sido observadas en el modelo (sesgo oculto) puede
Rev Clin Esp. 2008;208(7):358-60
359
Documento descargado de http://www.revclinesp.es el 19/11/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
EXPÓSITO RUIZ M ET AL. USO DE LA METODOLOGÍA PROPENSITY SCORE EN LA INVESTIGACIÓN SANITARIA
TABLA 1
Descripción de los paquetes estadísticos
y módulos que ejecutan propensity score
Software
Paquete
Stata
R, S-Plus
SAS
PSCORE, PS, MATCH, MATCH2
Matching, Matchit, Optmatch o USPS
% MATCH, % MATCHUP, % OneToManyMTCH
o % Mahalanobis
Sintaxis
SPSS
como economía, sociología o marketing. Dentro de la
investigación biomédica, es en cardiología y cirugía cardíaca donde está más extendida su práctica 9.
Existen diversas posibilidades de cálculo con herramientas informáticas mediante rutinas y comandos con
varios programas estadísticos como SAS, R y S-Plus.
Además existe la posibilidad de realizar los correspondientes cálculos con SPSS mediante sintaxis (tabla 1).
Conclusiones
influir en la estimación del PS, y crear un modelo no
balanceado en esas covariables.
2) Es necesario tener un tamaño muestral considerable. Al igual que ocurre en un estudio aleatorizado, si
tenemos un número pequeño de datos, el hecho de
que algunas de las covariables sean no balanceadas
puede introducir un sesgo sustancial. Cuanto mayor
sea el tamaño muestral, menor será la probabilidad de
que haya covariables no balanceadas.
3) Debe haber solapamiento entre los grupos, es decir,
éstos deben ser homogéneos respecto al PS. Cuando
no existe suficiente solapamiento o balanceo, el uso
del PS es inapropiado.
Utilización en la investigación biomédica
A pesar de encontrar ciertas limitaciones en su aplicación, la incorporación de esta técnica en la investigación biomédica ha ido incrementándose en los últimos años. En una revisión hecha por Stürmer et al 9
identificaron 192 publicaciones desde 1998 hasta
2003, en las que se aplicó la metodología PS en estudios de intervención médica y resultados en salud, de
éstas, el 4,2% se produjeron en 1998, y casi el 40%
en el último año considerado.
Los resultados de los estudios realizados con metodología PS en su gran mayoría no difieren de los realizados con los modelos de regresión tradicionales, aunque en aquellos en los que sí se encontraron diferencias
(y fueron publicados) se asigna una sobreestimación de
la asociación por los métodos tradicionales 10.
El desarrollo de la metodología PS ha ampliado su campo de aplicación en otros ámbitos distintos al de la salud,
360
Si se encuentran diferencias importantes entre los grupos de tratamiento y control en algunas covariables,
entonces el modelo de predicción de PS necesita ser
reformulado, o debemos concluir que la distribución
de las covariables no se solapa lo suficiente para permitir una subclasificación y ajuste por las mismas.
El PS puede reducir el sesgo abierto (variables observadas), pero nunca el sesgo oculto (variables que no se
observan en la investigación). Un estudio aleatorizado
(siempre que esté bien diseñado) elimina ambos tipos
de sesgos, por lo que siempre que sea posible aplicar un estudio observacional o experimental debemos
decantarnos por este último.
BIBLIOGRAFÍA
1. Cochran WG. The effectiveness of adjustment by subclassification in removing bias in observational studies. Biometrics. 1968;24:205-13.
2. D´Agostino RB Jr, D´Agostino RB Sr. Estimating treatment effects using
observational data. JAMA. 2007;297(3):314-6.
3. Rosenbaum PR, Rubin DB. The central role of the propensity score in
observational studies for causal affects. Biometrika. 1983;70:41-55.
4. D´Agostino RB Jr. Tutorial in biostatistics. Stat Med. 1998;17:2265-81.
5. Fitzmaurice G. Confounding: propensity score adjustment. Nutrition. 2006;
22:1214-6.
6. Baser O. Too much ado about prorensity score models? Comparing methods
of propensity score matching. Value in Health. 2006;9:377-85.
7. Rubin DB. Using multivariate matched sampling and regression adjustment
to control bias in observational studies. J Am Sat Assoc. 1979;74:318-28.
8. Rubin DB. Estimating causal effects from large data sets using propensity scores. Ann Intern Med. 1997;127:757-63.
9. Stürmer T, Joshi M, Glynn RJ, Avorn J, Rothman KJ, Schneeweiss S, et al.
A review of the application of propensity score methods yielded increasing
use, advantages in specific settings, but not substantially different estimates
compared with conventional multivariable methods. J Clin Epidemiol. 2006;
59:437-47.
10. Shah BR, Laupacis A, Hux JE, Austin PC. Propensity score methods gave
similar results to tradicional regression modeling in observational studies: a systematic review. J Clin Epidemiol. 2005;58:550-9.
Rev Clin Esp. 2008;208(7):358-60
00
Descargar