Trong nghiên cứu y học, phương pháp ghép điểm xu hướng (propensity score matching - PSM) đã trở thành một trong những công cụ mạnh mẽ nhất để rút ra kết luận nhân quả từ dữ liệu quan sát. Khi các thử nghiệm đối chứng ngẫu nhiên không khả thi, phi đạo đức hoặc quá tốn kém, các nhà nghiên cứu chuyển sang sử dụng phương pháp điểm xu hướng để giảm thiểu sai lệch chọn lọc và mô phỏng các điều kiện của một thí nghiệm có đối chứng. Hướng dẫn toàn diện này sẽ hướng dẫn bạn từng bước thực hiện phương pháp ghép điểm xu hướng (PSM) trong nghiên cứu của mình — từ thiết kế nghiên cứu đến báo cáo sẵn sàng xuất bản.
Cho dù bạn đang phân tích hồ sơ sức khỏe điện tử, cơ sở dữ liệu hành chính lớn hay dữ liệu đăng ký, việc hiểu rõ phương pháp ghép điểm xu hướng trong nghiên cứu y học là điều cần thiết để tạo ra những phát hiện đáng tin cậy, được các chuyên gia đánh giá và chịu được sự kiểm tra nghiêm ngặt.
Ghép cặp điểm xu hướng là gì?
Điểm xu hướng, được Rosenbaum và Rubin giới thiệu lần đầu vào năm 1983, được định nghĩa là xác suất có điều kiện nhận được một phương pháp điều trị (hoặc phơi nhiễm) dựa trên một tập hợp các biến số cơ bản được quan sát. Về mặt toán học, điểm xu hướng e(x) = P(T = 1 | X = x), trong đó T là chỉ số điều trị và X đại diện cho vectơ các biến số được quan sát.
Bằng cách ghép cặp các đối tượng được điều trị và không được điều trị có điểm xu hướng tương tự nhau, các nhà nghiên cứu tạo ra các nhóm so sánh ngẫu nhiên giả. Điều này cân bằng sự phân bố các yếu tố gây nhiễu quan sát được giữa các nhóm, cho phép ước tính chính xác hơn hiệu quả điều trị từ dữ liệu không ngẫu nhiên.
Tại sao nên sử dụng phương pháp ghép cặp điểm xu hướng trong nghiên cứu y học?
Các nghiên cứu quan sát chiếm ưu thế trong lĩnh vực nghiên cứu y học. Các cơ sở dữ liệu hành chính lớn, hồ sơ sức khỏe điện tử (EHR) và các sổ đăng ký bệnh tật cung cấp dữ liệu thực tế phong phú, bổ sung cho các phát hiện từ các thử nghiệm lâm sàng ngẫu nhiên có đối chứng (RCT). Tuy nhiên, các nguồn dữ liệu này tiềm ẩn sai lệch chọn lọc vì việc phân bổ điều trị không phải là ngẫu nhiên.
Phương pháp ghép cặp điểm xu hướng giải quyết thách thức cơ bản này thông qua một số ưu điểm chính:
Giảm thiểu sai lệch do yếu tố gây nhiễu: Phương pháp ghép cặp điểm xu hướng (PSM) cân bằng các biến số quan sát được giữa các nhóm điều trị, mô phỏng sự cân bằng đạt được thông qua phương pháp ngẫu nhiên hóa. Xử lý dữ liệu đa chiều: Thay vì điều chỉnh hàng chục biến số riêng lẻ, PSM cô đọng tất cả các yếu tố gây nhiễu đã đo được thành một điểm số vô hướng duy nhất. Đánh giá chất lượng minh bạch: Không giống như điều chỉnh hồi quy, PSM cho phép các nhà nghiên cứu trực tiếp xác minh rằng sự cân bằng biến số đã đạt được trước khi phân tích kết quả. Được các cơ quan quản lý và các nhà bình duyệt chấp nhận: PSM được các cơ quan quản lý (FDA, EMA) và các biên tập viên tạp chí công nhận rộng rãi là một phương pháp nghiêm ngặt để suy luận nhân quả từ dữ liệu quan sát.
Bước 1: Xác định câu hỏi nghiên cứu và thiết kế nghiên cứu
Trước khi tính toán điểm xu hướng, bạn phải xác định rõ ba yếu tố quan trọng: nhóm điều trị và nhóm đối chứng, kết quả chính và kết quả phụ, và tập hợp các biến số tiền điều trị cho mô hình điểm xu hướng.
Hãy bắt đầu bằng cách xây dựng một đồ thị có hướng không chu trình (DAG) để lập bản đồ các mối quan hệ nhân quả giữa các biến của bạn. Công cụ trực quan này giúp xác định biến nào là biến gây nhiễu thực sự (ảnh hưởng đến cả việc phân bổ điều trị và kết quả), biến nào là biến trung gian (trên con đường nhân quả) và biến nào là biến xung đột (không nên được xem xét trong điều kiện).
Việc lựa chọn biến kiểm soát nên ưu tiên các biến có khả năng dự đoán mạnh mẽ kết quả, ngay cả khi chúng chỉ có mối liên hệ yếu với việc phân bổ điều trị. Nghiên cứu của Brookhart et al. (2006) đã chứng minh rằng việc bao gồm các biến như vậy sẽ cải thiện độ chính xác của ước tính hiệu quả điều trị mà không làm tăng sai lệch.
Bước 2: Ước tính điểm xu hướng
Phương pháp phổ biến nhất để ước tính điểm xu hướng là hồi quy logistic , trong đó biến chỉ báo điều trị nhị phân đóng vai trò là biến phụ thuộc và các biến đồng biến ban đầu là các biến độc lập. Xác suất dự đoán từ mô hình này trở thành điểm xu hướng của mỗi đối tượng.
Trong R, gói MatchIt được sử dụng rộng rãi giúp đơn giản hóa quy trình này:
# Install and load required packages
library(MatchIt)
library(cobalt)
# Estimate propensity scores and perform matching
ps_model <- matchit(
treatment ~ age + sex + bmi + smoking_status +
comorbidity_score + baseline_creatinine +
diabetes + hypertension + prior_surgery,
data = study_data,
method = "nearest",
distance = "glm", # logistic regression (default)
caliper = 0.2, # caliper in SD units of logit PS
ratio = 1 # 1:1 matching
)
# View matching summary
summary(ps_model)Ngoài hồi quy logistic, một số phương pháp học máy khác có thể ước tính điểm xu hướng một cách linh hoạt hơn:
| Phương pháp | Điểm mạnh | Gói R |
|---|---|---|
| Hồi quy logistic | Đơn giản, dễ hiểu, được chấp nhận rộng rãi | MatchIt (glm) |
| Mô hình tăng cường tổng quát (GBM) | Tự động nắm bắt các mối quan hệ và tương tác phi tuyến tính. | khúc khuỷu |
| Cây phân loại (CART) | Xử lý dữ liệu bị thiếu, xác định các tương tác quan trọng. | phần |
| Rừng ngẫu nhiên | Khả năng chống chịu tốt với sai sót trong mô hình | ngẫu nhiênForest |
Bước 3: Ghép cặp đối tượng được điều trị và đối tượng đối chứng
Sau khi ước tính điểm xu hướng, bước tiếp theo là chọn thuật toán ghép cặp phù hợp. Việc lựa chọn thuật toán có thể ảnh hưởng đáng kể đến kết quả, vì vậy việc hiểu rõ các lựa chọn là rất quan trọng.
Phương pháp ghép cặp lân cận gần nhất là cách tiếp cận phổ biến nhất. Mỗi đối tượng được điều trị được ghép cặp với đối tượng đối chứng có điểm xu hướng gần nhất. Sử dụng khoảng cách tối đa cho phép giữa các cặp được ghép nối (caliper ) giúp ngăn ngừa các cặp ghép không phù hợp. Austin (2011) khuyến nghị chiều rộng của khoảng cách tối đa cho phép là 0.2 độ lệch chuẩn của logit của điểm xu hướng, điều này đã được chứng minh là loại bỏ được khoảng 98% sai lệch trong các yếu tố gây nhiễu được đo lường.
Thuật toán ghép cặp tối ưu (Optimal Matching) giảm thiểu tổng khoảng cách giữa tất cả các cặp được ghép đồng thời, thay vì ghép từng cặp một cách tham lam. Điều này tạo ra các cặp ghép tối ưu toàn cục nhưng lại tốn nhiều tài nguyên tính toán đối với các tập dữ liệu lớn.
Phương pháp ghép cặp đầy đủ tạo ra các cặp đối sánh chứa ít nhất một đối tượng được điều trị và một đối tượng đối chứng, với tỷ lệ ghép cặp thay đổi. Điều này giúp giữ lại nhiều mẫu ban đầu hơn và có thể cải thiện hiệu quả thống kê.
Việc kết hợp phương pháp ghép cặp chính xác trên các biến quan trọng với phương pháp ghép cặp điểm xu hướng đảm bảo sự cân bằng hoàn hảo trên các biến phụ quan trọng (ví dụ: giới tính, địa điểm nghiên cứu) đồng thời sử dụng điểm xu hướng để cân bằng các biến còn lại.
# Different matching methods in MatchIt
# 1:1 Nearest neighbor with caliper
m_nn <- matchit(treatment ~ covariates, data = df,
method = "nearest", caliper = 0.2)
# Optimal matching
m_opt <- matchit(treatment ~ covariates, data = df,
method = "optimal")
# Full matching
m_full <- matchit(treatment ~ covariates, data = df,
method = "full")
# Exact matching on sex + PS matching on rest
m_exact <- matchit(treatment ~ covariates, data = df,
method = "nearest", exact = ~ sex)Bước 4: Đánh giá sự cân bằng của các biến phụ thuộc
Đây có thể coi là bước quan trọng nhất trong phương pháp ghép cặp điểm xu hướng — và cũng là bước thường bị thực hiện không đầy đủ nhất. Sau khi ghép cặp, bạn phải kiểm tra kỹ lưỡng xem các biến phụ có được cân bằng giữa các nhóm điều trị hay không.
Chỉ số chuẩn mực vàng là Sai số trung bình chuẩn hóa (SMD) . SMD dưới 0.1 (tương ứng với sự khác biệt dưới 10% độ lệch chuẩn) được coi là bằng chứng về sự cân bằng chấp nhận được. Không giống như giá trị p, SMD không bị ảnh hưởng bởi kích thước mẫu, do đó phù hợp hơn để đánh giá sự cân bằng.
# Comprehensive balance assessment with cobalt
library(cobalt)
# Balance table
bal.tab(ps_model,
thresholds = c(m = 0.1), # SMD threshold
un = TRUE) # Show unmatched comparison
# Love plot (visual balance assessment)
love.plot(ps_model,
threshold = 0.1,
abs = TRUE,
var.order = "unadjusted",
title = "Covariate Balance Before and After Matching")
# Density plots for propensity score distribution
bal.plot(ps_model, var.name = "distance",
which = "both", type = "density")Bước 5: Ước tính hiệu quả điều trị và báo cáo kết quả
Với mẫu đối sánh cân bằng tốt, giờ đây bạn có thể ước tính hiệu quả điều trị. Tham số ước lượng chính trong PSM thường là Hiệu quả Điều trị Trung bình trên Nhóm Được Điều trị (ATT) — hiệu quả trung bình của điều trị trong số những người thực sự nhận được điều trị.
Phương pháp kiểm định thống kê phù hợp phụ thuộc vào loại kết quả bạn muốn đạt được:
| Loại kết quả | Phân tích được đề xuất | Chức năng R |
|---|---|---|
| Nhị phân (ví dụ: tỷ lệ tử vong) | Hồi quy logistic có điều kiện hoặc kiểm định McNemar | clogit() từ survival |
| Liên tục (ví dụ: các giá trị xét nghiệm) | Kiểm định t-test cặp đôi hoặc GEE với ID cụm | t.test(paired=TRUE) |
| Thời gian đến sự kiện (sự sống sót) | Mô hình Cox phân tầng hoặc mô hình Cox SE mạnh | coxph() với cluster() |
| Tính toán (ví dụ: số ngày nằm viện) | Phân phối nhị thức âm với ID cặp phù hợp | glm.nb() từ MASS |
Phân tích độ nhạy đối với các yếu tố gây nhiễu không đo lường được: Phương pháp ghép cặp điểm số xu hướng (PSM) chỉ giải quyết các yếu tố gây nhiễu đã quan sát được. Bạn phải đánh giá mức độ nhạy cảm của kết quả đối với các yếu tố gây nhiễu tiềm ẩn không đo lường được. Hai phương pháp được sử dụng rộng rãi bao gồm giới hạn Rosenbaum (định lượng mức độ mạnh yếu của yếu tố gây nhiễu không đo lường được cần có để làm mất hiệu lực kết quả) và giá trị E (mức độ liên kết tối thiểu mà yếu tố gây nhiễu không đo lường được cần có với cả phương pháp điều trị và kết quả để giải thích hiệu ứng quan sát được).
Những lỗi thường gặp cần tránh trong phương pháp ghép cặp điểm xu hướng
Dựa trên đánh giá có hệ thống về việc áp dụng phương pháp PSM trong các tạp chí y khoa, đây là những lỗi thường gặp nhất mà các nhà nghiên cứu mắc phải:
1. Bao gồm các biến sau điều trị: Các biến được đo lường sau khi phân bổ điều trị có thể bị ảnh hưởng bởi chính phương pháp điều trị, dẫn đến sai lệch do điều chỉnh quá mức hoặc sai lệch do biến trung gian. Chỉ bao gồm các biến đồng biến trước điều trị (ban đầu).
2. Không đánh giá sự cân bằng của các biến phụ: Chỉ báo cáo độ phù hợp của mô hình điểm xu hướng (ví dụ: chỉ số C) mà không kiểm tra xem việc ghép cặp có thực sự đạt được sự cân bằng hay không là không đủ. Luôn báo cáo SMD cho tất cả các biến phụ.
3. Bỏ qua thiết kế ghép cặp trong phân tích: Sau khi ghép cặp 1:1, dữ liệu được ghép cặp. Việc sử dụng các kiểm định thống kê không ghép cặp bỏ qua cấu trúc này và có thể tạo ra các sai số chuẩn và giá trị p không chính xác.
4. Không báo cáo các đối tượng không được ghép cặp: Nhiều nghiên cứu không mô tả có bao nhiêu đối tượng được điều trị không được ghép cặp và liệu chúng có khác biệt một cách có hệ thống so với các đối tượng được ghép cặp hay không. Điều này ảnh hưởng đến khả năng khái quát hóa ước tính ATT của bạn.
5. Bỏ qua phân tích độ nhạy: Các tạp chí và người đánh giá ngày càng kỳ vọng vào các phân tích độ nhạy đối với các yếu tố gây nhiễu chưa được đo lường. Nếu thiếu những phân tích này, các khẳng định về mối quan hệ nhân quả của bạn sẽ yếu hơn.
So sánh phương pháp ghép cặp điểm xu hướng với các phương pháp suy luận nhân quả khác
PSM là một trong số các phương pháp suy luận nhân quả từ dữ liệu quan sát. Hiểu rõ khi nào nên sử dụng từng phương pháp sẽ giúp bạn lựa chọn thiết kế phù hợp nhất cho câu hỏi nghiên cứu của mình.
| Phương pháp | tốt nhất cho | Hạn chế chính |
|---|---|---|
| So khớp điểm xu hướng | Xử lý nhị phân, kiểm tra số dư minh bạch | Chỉ giải quyết các yếu tố gây nhiễu đã được đo lường; mất mẫu do các đối tượng không phù hợp. |
| Phương pháp trọng số nghịch đảo xác suất điều trị (IPTW) | Giữ nguyên mẫu đầy đủ; ước tính ATE | Trọng lượng quá lớn có thể gây mất ổn định; cần phải cắt bớt trọng lượng. |
| Phân tích biến công cụ | Giải quyết các yếu tố gây nhiễu chưa được đo lường | Cần có một dụng cụ hợp lệ (thường khó tìm). |
| Sự khác biệt trong sự khác biệt | Thay đổi chính sách; thiết kế trước và sau | Yêu cầu giả định về các xu hướng song song. |
| Sự gián đoạn hồi quy | Điều trị được chỉ định theo ngưỡng | Khả năng khái quát hóa hạn chế gần điểm cắt |
Báo cáo PSM: Danh sách kiểm tra STROBE
Khi báo cáo các phân tích điểm xu hướng, hãy tuân theo hướng dẫn STROBE (Tăng cường báo cáo các nghiên cứu quan sát trong dịch tễ học) với các phần mở rộng dành riêng cho PSM. Phần phương pháp của bạn nên mô tả các biến được bao gồm trong mô hình điểm xu hướng và lý do lựa chọn chúng, phương pháp được sử dụng để ước tính điểm xu hướng, thuật toán và tham số ghép cặp (độ rộng khoảng cách, tỷ lệ ghép cặp), chẩn đoán cân bằng và ngưỡng được sử dụng, và phương pháp phân tích có tính đến thiết kế ghép cặp.
Phần kết quả của bạn nên báo cáo số lượng đối tượng trước và sau khi ghép cặp, bảng đặc điểm cơ bản với SMD trước và sau khi ghép cặp, biểu đồ Love hoặc hình ảnh trực quan tương đương về sự cân bằng, hiệu quả điều trị ước tính với khoảng tin cậy và kết quả phân tích độ nhạy đối với các yếu tố gây nhiễu chưa được đo lường.
Công cụ và phần mềm cho phương pháp ghép cặp điểm xu hướng
Nhiều nền tảng phần mềm hỗ trợ triển khai PSM. Trong R , gói MatchIt (Ho et al.) là toàn diện nhất, hỗ trợ nhiều phương pháp ghép cặp với sự tích hợp vào gói cobalt để đánh giá sự cân bằng. Stata cung cấp lệnh teffects psmatch với chức năng chẩn đoán cân bằng tích hợp sẵn. Người dùng Python có thể tận dụng các thư viện causalinference và DoWhy, trong khi SAS cung cấp PROC PSMATCH trong phiên bản 14.1 trở lên.
Đối với các nhà nghiên cứu đang lên kế hoạch cho một nghiên cứu PSM, việc xác định cỡ mẫu phù hợp là rất quan trọng. Công cụ tính toán cỡ mẫu miễn phí của Editverse giúp bạn ước tính cỡ mẫu cần thiết cho thiết kế nghiên cứu cụ thể của mình, có tính đến kích thước hiệu ứng dự kiến, tỷ lệ ghép cặp và phân bố biến số phụ dự kiến.
Hỗ trợ thống kê chuyên nghiệp từ Editverse
Việc triển khai phương pháp ghép cặp điểm xu hướng một cách chính xác đòi hỏi chuyên môn bao gồm lý thuyết suy luận nhân quả, lập trình thống kê, lựa chọn biến độc lập và các tiêu chuẩn báo cáo phương pháp luận. Ngay cả các nhà nghiên cứu giàu kinh nghiệm cũng có thể hưởng lợi từ sự hướng dẫn của chuyên gia, đặc biệt khi đối mặt với các tập dữ liệu phức tạp, kết quả hiếm gặp hoặc các quyết định lâm sàng quan trọng.
Editverse cung cấp các dịch vụ phân tích thống kê toàn diện được thiết kế đặc biệt dành cho các nhà nghiên cứu y khoa cần sự hỗ trợ chuyên môn về thiết kế nghiên cứu quan sát. Nhóm các nhà thống kê sinh học của chúng tôi cung cấp hỗ trợ trọn gói — từ thiết kế nghiên cứu và xây dựng biểu đồ định hướng chu trình (DAG) đến ước tính điểm xu hướng, tối ưu hóa ghép cặp, phân tích độ nhạy và chuẩn bị các bảng, hình ảnh và báo cáo thống kê sẵn sàng cho xuất bản.
Chúng tôi cũng cung cấp các dịch vụ chuyên biệt bao gồm phân tích tổng hợp , hỗ trợ đánh giá hệ thống và tư vấn thống kê sinh học toàn diện cho các nhà nghiên cứu ở mọi giai đoạn sự nghiệp.
Phân tích thống kê
Chuyên gia về PSM, hồi quy và phân tích sống sót cho nghiên cứu của bạn
Chỉnh sửa bản thảo
Các phần phương pháp đã được chuẩn bị sẵn sàng để xuất bản, được các chuyên gia thống kê sinh học xem xét.
Máy tính kích thước mẫu
Công cụ miễn phí để xác định công suất phù hợp cho nghiên cứu PSM của bạn.
Bạn cần sự trợ giúp chuyên gia về phương pháp ghép cặp điểm xu hướng?
Các chuyên gia thống kê sinh học của chúng tôi sẽ thiết kế, thực hiện và báo cáo phân tích PSM của bạn theo các tiêu chuẩn xuất bản cao nhất.
dự án
- Rosenbaum PR, Rubin DB. Vai trò trung tâm của điểm số khuynh hướng trong các nghiên cứu quan sát về hiệu quả nhân quả. Sinh trắc. 1983;70(1):41-55. doi:10.1093/biomet/70.1.41
- Austin PC. Giới thiệu về các phương pháp điểm xu hướng để giảm thiểu ảnh hưởng của các yếu tố gây nhiễu trong các nghiên cứu quan sát. Nghiên cứu hành vi đa biến. 2011;46(3):399-424. doi:10.1080/00273171.2011.568786
- Stuart EA. Các phương pháp đối sánh để suy luận nhân quả: Tổng quan và triển vọng tương lai. Khoa học thống kê. 2010;25(1):1-21. doi:10.1214/09-STS313
- Brookhart MA, Schneeweiss S, Rothman KJ, et al. Lựa chọn biến cho mô hình điểm xu hướng. Tạp chí Dịch tễ học Mỹ. 2006;163(12):1149-1156. doi:10.1093/aje/kwj149
- Ho DE, Imai K, King G, Stuart EA. MatchIt: Xử lý sơ bộ phi tham số cho suy luận nhân quả tham số. Tạp chí Phần mềm Thống kê. 2011;42(8):1-28. doi:10.18637/jss.v042.i08
- VanderWeele TJ, Ding P. Phân tích độ nhạy trong nghiên cứu quan sát: Giới thiệu giá trị E. Annals of Internal Medicine. 2017;167(4):268-274. doi:10.7326 / M16-2607
- Ali MS, Groenwold RH, Belitser SV, et al. Việc báo cáo lựa chọn biến phụ và đánh giá sự cân bằng trong phân tích điểm xu hướng còn chưa tối ưu: một đánh giá hệ thống. Tạp chí dịch tễ học lâm sàng. 2015;68(2):122-131. doi:10.1016/j.jclinepi.2014.08.011
- Lunt M. Việc lựa chọn thước đo phù hợp có thể rất quan trọng để đạt được sự cân bằng tốt trong phương pháp ghép cặp điểm xu hướng. Tạp chí Dịch tễ học Mỹ. 2014;179(2):226-235. doi:10.1093/aje/kwt212
Các nguồn tài liệu liên quan của Editverse
→ Công cụ tính toán kích thước mẫu miễn phí
→ Dịch vụ phân tích thống kê
→ Sản phẩm phân tích thống kê
→ Dịch vụ phân tích tổng hợp
→ Hỗ trợ đánh giá có hệ thống
→ Dịch vụ chỉnh sửa bản thảo
→ Liên hệ Editverse