Incremental Propensity Score Interventions: A Primer for Pharmacoepidemiologists.

چکیده اصلی

BACKGROUND: In observational pharmacoepidemiology, estimating average treatment effects (ATEs) is often challenging due to a lack of practical positivity. In highly selective clinical settings, certain patients almost always or never receive treatment, causing ATE estimators to rely on unstable extrapolation. Incremental propensity score interventions (IPSIs) offer a stochastic alternative by shifting each patient's probability of treatment, providing a more clinically realistic framework that circumvents positivity violations. METHODS: We illustrate the IPSI approach, including key identification results and inferential procedures. Using observational data from a cohort of 996 patients undergoing percutaneous coronary intervention (PCI), we evaluated the effect of shifting each patient's probability of receiving abciximab by a predetermined amount on six-month mortality. Propensity scores (PSs) and outcome predictions were estimated using a machine learning ensemble (Super Learner) with 10-fold sample splitting. RESULTS: The ATE estimate suggested that abciximab administration reduced the 6-month mortality risk by 5.9 percentage points compared with PCI alone (risk difference = -0.059, 95% CI: -0.104 to -0.015). However, the practical interpretability of the ATE estimate may be limited because it implicitly assumes that patients with a near-certain probability of treatment could realistically be assigned to withhold abciximab. In contrast, shifting each patient's treatment propensity by odds ratios ranging from 0.1 to 10 showed that 6-month mortality would be significantly reduced under a strong treatment policy promoting abciximab administration. CONCLUSIONS: IPSIs provide a robust and practical alternative to conventional causal inference methods in pharmacoepidemiology settings where treatment assignment is highly selective and the strict positivity is violated.

ترجمه فارسی چکیده

در فارماکوایپیدمیولوژی مشاهده‌ای، برآورد اثرات میانگین درمان (ATE) اغلب به دلیل نبود مثبتیت عملی دشوار است. در محیط‌های بالینی بسیار انتخابی، برخی بیماران تقریباً همیشه یا هرگز درمان دریافت می‌کنند که باعث می‌شود برآوردگرهای ATE به استنتاج ناپایدار وابسته شوند. مداخلات امتیاز تمایل تصادفی افزایشی (IPSI) یک جایگزین تصادفی ارائه می‌دهند با تغییر احتمال درمان هر بیمار، که یک چارچوب واقع‌گرایانه بالینی بیشتری فراهم می‌کند که از نقض مثبتیت عبور می‌کند. ما رویکرد IPSI را با استفاده از داده‌های مشاهده‌ای از یک کوهورت ۹۹۶ بیمار تحت تزریق عروق قلبی رادیولوژیک (PCI) نشان دادیم و اثر تغییر احتمال دریافت هر بیمار از abciximab به مقدار پیش‌تعیین‌شده بر مرگ‌ومیر در ۶ ماه را ارزیابی کردیم. امتیازات تمایل و پیش‌بینی‌های نتیجه با استفاده از یک مجموعه یادگیری ماشین (Super Learner) با تقسیم‌بندی نمونه ۱۰ تایی برآورد شدند. برآورد ATE نشان داد که تزریق abciximab خطر مرگ‌ومیر در ۶ ماه را ۵.۹ درصد کاهش داد (تفاوت ریسک = -0.059، ۹۵٪ CI: -0.104 تا -0.015). با این حال، تفسیر عملی برآورد ATE ممکن است محدود باشد زیرا فرض ضمنی می‌کند که بیماران با احتمال تقریباً قطعی درمان می‌توانستند واقعاً به عدم تزریق abciximab اختصاص یابند. در مقابل، تغییر امتیاز تمایل درمان هر بیمار با نسبت شانس‌های ۰.۱ تا ۱۰ نشان داد که مرگ‌ومیر در ۶ ماه به طور معناداری تحت یک سیاست قوی تزریق abciximab کاهش می‌یابد. IPSI‌ها جایگزین‌های مقاوم و عملی برای روش‌های استنتاج علت‌یابی سنتی در محیط‌های فارماکوایپیدمیولوژی هستند که در آن‌ها تخصیص درمان بسیار انتخابی است و مثبتیت سخت نقض شده است.

متن کامل اصلی