A Model-Robust G-Computation Method for Analyzing Hybrid Control Studies Without Assuming Exchangeability.

چکیده اصلی

There is growing interest in a hybrid control design for treatment evaluation, where a randomized controlled trial is augmented with external control data from a previous trial or a real-world data source. The hybrid control design has the potential to improve efficiency but also carries the risk of introducing bias. The potential bias in a hybrid control study can be mitigated by adjusting for baseline covariates that are related to the control outcome. Existing methods that serve this purpose commonly assume that the internal and external control outcomes are exchangeable upon conditioning on a set of measured covariates. Possible violations of the exchangeability assumption can be addressed using a g-computation method with variable selection under a correctly specified outcome regression model. In this article, we point out that a particular version of this g-computation method is protected against misspecification of the outcome regression model. This observation leads to a model-robust g-computation method that is remarkably simple and easy to implement, consistent and asymptotically normal under minimal assumptions, and able to improve efficiency by exploiting similarities between the internal and external control groups. The method is evaluated in a simulation study and illustrated using real data from HIV treatment trials.

ترجمه فارسی چکیده

علاقه‌ای در حال رشد به طراحی کنترل هیبریدی برای ارزیابی درمان وجود دارد که یک آزمایش کنترل تصادفی را با داده‌های کنترل خارجی از یک آزمایش قبلی یا منبع داده‌های واقعی گسترش می‌دهد. این طراحی کنترل هیبریدی پتانسیل بهبود کارایی را دارد اما همچنین ریسک ایجاد سوگیری را به همراه دارد. سوگیری بالقوه در یک مطالعه کنترل هیبریدی می‌تواند با تعدیل متغیرهای پایه مرتبط با نتیجه کنترل کاهش یابد. روش‌های موجود که برای این منظور خدمت می‌کنند معمولاً فرض می‌کنند که نتایج کنترل داخلی و خارجی پس از شرط‌گذاری روی مجموعه‌ای از متغیرهای اندازه‌گیری شده، تعویض‌پذیر هستند. نقض‌های ممکن فرض تعویض‌پذیری می‌تواند با استفاده از یک روش محاسبات G با انتخاب متغیر در یک مدل رگرسیون نتیجه مشخص‌سازی شده صحیح، حل شود. در این مقاله، ما اشاره می‌کنیم که یک نسخه خاص از این روش محاسبات G در برابر نام‌تعیینی مدل رگرسیون نتیچه محافظت شده است. این مشاهده منجر به یک روش محاسبات G-مقاوم در برابر مدل می‌شود که به طور قابل توجهی ساده و آسان برای پیاده‌سازی است، همگرا و به صورت آسیمپتوتیک نرمال تحت فرض‌های حداقلی است و قادر به بهبود کارایی از طریق بهره‌برداری از شباهت‌ها بین گروه‌های کنترل داخلی و خارجی است. روش در یک مطالعه شبیه‌سازی ارزیابی شده و با استفاده از داده‌های واقعی از آزمایش‌های درمان HIV نشان داده شده است.

متن کامل اصلی