Ajuste de covariables en muestras de pequeño tamaño (IPTW, PS match, etc.)

Question

Tengo un conjunto de datos de pacientes con una variable de agrupación (grupo A (control) y grupo B (tratamiento)). Los dos grupos tienen tamaños de muestra de 170 frente a 30. Me gustaría comparar los resultados entre los dos grupos de tratamiento, pero difieren en las covariables de referencia. Probé con el emparejamiento de la puntuación de propensión y los pesos de tratamiento de probabilidad inversa (IPTW), pero ambos no parecen lograr un buen equilibrio de covariables entre los grupos (a partir de una DMS <0,1).

Mi opinión es que el tamaño de la muestra del grupo de tratamiento es demasiado pequeño. ¿Alguien tiene alguna recomendación sobre cómo puedo ajustar las covariables de referencia en un tamaño de muestra tan pequeño?

Answer 1

Las diferencias en las covariables de referencia no son intrínsecamente malas. Dado el pequeño tamaño de la muestra, y el posible número de "covariables" comparadas, es casi seguro que una o más mostrarán "desequilibrio" - pero eso es sólo un artefacto de una tasa de error familiar no controlada - y hey, ¿cuál es el punto final primario ¿de todos modos?

Lo más útil es pensar en la hipótesis de la aleatorización no como un equilibrio de una lista posiblemente infinita de covariables, sino como un equilibrio de su "efecto medio" en cada grupo; exactamente la razón de ser del emparejamiento por propensión. Stephen Senn ha escrito ampliamente sobre esta cuestión como uno de los principales "mitos" de los ensayos clínicos, y debemos deducir por la convención de "tratado" y "control" que se trata de un estudio aleatorio. https://onlinelibrary.wiley.com/doi/abs/10.1002/sim.5713

El Dr. Senn continúa explicando que el desequilibrio es muy diferente de la confusión, ya que aunque la variable esté asociada al resultado, en teoría no está relacionada con la aleatorización, a menos que haya algún tipo de análisis condicional como en la población "por protocolo". A pesar de todo esto, el ajuste prevalece como la forma superior de manejar el desequilibrio porque, dado que la variable condicionada es pronóstica -es decir, que realmente predice el resultado-, la tendencia es aumentar poder. Las variables que no son fuertemente predictivas de la respuesta tienden a atenuar la potencia de la prueba cuando se ajusta a discreción.

Pero todo esto se va a la basura si no se trata de un análisis preestablecido. Esto se debe a que no puedes elegir el análisis que finalmente haces basándote en lo que ves en los datos. Haz el análisis que tenías previsto, probablemente sea el correcto.

Answer 2

Busque si alguna de estas covariables desequilibradas está asociada con la variable de resultado mediante una regresión sobre los datos disponibles o a través de una revisión bibliográfica. Si hay pocas pruebas que sugieran que están asociadas, entonces se sentirá mucho más seguro de que no hay ningún daño en tener el desequilibrio. Es posible que acabe eligiendo equilibrar sólo una o dos de las covariables que sí muestran evidencia de una asociación con el criterio de valoración. En última instancia, sigue siendo necesario el preámbulo de "no hay factores de confusión no medidos" si se va a hacer una inferencia causal. Véase este hilo .

Podría realizar varios análisis de sensibilidad para ver el efecto de equilibrar cada covariable por separado y en combinación, si el tamaño de la muestra lo permite.

También mira este hilo con respecto al desequilibrio en las características de los pacientes debido a los eventos posteriores a la línea de base.