在臨床研究中,隨機對照試驗和觀察性研究都是常用的研究方法,但由于隨機對照試驗要求更為嚴格復雜,近年來觀察性研究越來越為大家所青睞。不幸的是,我們辛辛苦苦的收集了大量的數據,分組后卻發現組間基線資料不均衡,這可如何是好?

image.png

  醫學研究中不可避免存在混雜偏倚,混雜偏倚是指暴露因素與疾病發生的相關(關聯)程度受到其他因素的歪曲或干擾。

  例如,研究某藥物對腫瘤患者生存率的影響,藥物的作用效果可能會受到個體人口學、社會經濟、既往病史等因素的影響,進而影響生存結局。那么,如何解決這些混雜因素帶來的問題呢?

  一 分層分析

  按照混雜因素的不同水平分層進行比較,可通過CMH(Cochran-Mantel-Haenszel)方法計算控制混雜因素后的合并OR/RR值(SPSS交叉表卡方檢驗即可實現分層分析,如下)。

image.png

  二 多因素回歸分析

  三大回歸:線性、Logistic和Cox回歸,是解決混雜偏倚最常用的方法。利用回歸模型先進行單因素分析篩選可能的混雜因素,再將單因素納入多因素回歸模型,即可校正混雜因素。(操作常見,在此不再贅述)

  三 傾向性評分

  傾向性評分在近年來應用越來越火爆,且用法豐富,也是解決混雜偏倚的好方法。傾向性評分是應用傾向性評分值綜合所有的觀察變量信息從而達到均衡變量、減少偏倚的目的。

  1. 傾向性評分匹配(PSM)

  PSM是通過一定的統計學方法對實驗組和對照組進行篩選,使篩選出來的對象在某些重要臨床特征上具有可比性。通常以分組變量為因變量,以可能影響結果的混雜變量為協變量構建Logistic模型,求得每個個體的傾向性得分,再按照就近匹配的原則進行匹配。

  匹配后的實驗組和對照組之間具有可比性,可直接比較結局事件(SPSS 22.0以上版本可進行1:1 PSM分析,如下)。

image.png

  2. 傾向性評分+回歸

  利用Logistic模型求得研究對象的傾向性評分后,將傾向性評分作為協變量放入回歸模型中,分析結局事件的發生風險。

  3. 傾向性評分分層

  利用Logistic模型求得研究對象的傾向性評分后,按照評分將研究對象排序,以百分位數將研究對象劃分為若干層(一般5-10層),在層內進行均衡性檢驗,組間均衡則計算層內效應量,然后合并各層的統計量和效應尺度。

  4. 傾向性評分加權

  類似標準化法的原理,即制定一個統一的“標準人口”,按照“標準人口”中混雜因素構成的權重來調整兩組觀察效應的平均水平,從而消除兩組之間由于內部混雜因素分布不同對效應值的影響。

  通過傾向性評分賦予每個研究對象一個相應的權重,使得各組中傾向性評分分布一致,從而消除混雜影響,常用逆概率加權法(IPTW)或標準化死亡比加權法(SMRW)。

  四 工具變量分析

  以上方法僅能控制已測量到的混雜因素所引起的偏倚,而無法消除未知的、被遺漏的、以及測量不準確的混雜因素所造成的殘余混雜,而工具變量分析恰恰解決了這一問題。

  工具變量分析是一種用來控制測量誤差和未知混雜因素引起的偏倚的估計方法,工具變量的類型及選擇方法較為復雜,此處不再展開敘述,有興趣的朋友可以進一步查閱學習。

  以上就是小編給大家分享的在醫學SCI科研論文寫作中如何解決混雜偏倚因素帶來的影響,更多SCI論文寫作技巧>>點擊咨詢<<360期刊網專業論文服務老師。360期刊網專注醫學期刊服務11年,與1600+期刊進行合作,擁有500+專業的醫學資深編輯,累計服務數十萬位客戶,好評率達99.6%!【現在咨詢】