Causal models and their application to estimate the effect of chronic hepatitis B treatment

Οι κλασικές μέθοδοι στατιστικής ανάλυσης εξετάζουν αν οι παρατηρούμενες σχέσεις είναι αποτέλεσμα τύχης και να μας δώσουν συμπεράσματα σχετικά με μη περιστασιακές σχέσεις μεταξύ μεταβλητών, οι οποίες όμως ενδέχεται να μην έχουν αιτιολογική ερμηνεία. Δυστυχώς, έχει αποδειχθεί ότι στο πλαίσιο μιας διαχρονικής μελέτης παρατήρησης, όταν μια μεταβλητή που επηρεάζεται από προηγούμενη έκθεση είναι ταυτόχρονα προγνωστικός παράγοντας α. μελλοντικής έκθεσης και β. της έκβασης, υπάρχει δηλαδή συγχυτικός παράγοντας εξαρτώμενος από το χρόνο, οι κλασικές προσεγγίσεις ανάλυσης για την εκτίμηση της επίδρασης της έκθεσης μπορεί να είναι μεροληπτικές. Οι g- μέθοδοι είναι μια κατηγορία των μεθόδων που εισήχθησαν για την εκτίμηση των αιτιακών επιδράσεων. Η πιο πρόσφατη εξ αυτών είναι η μέθοδος της στάθμισης με την αντίστροφη πιθανότητα θεραπείας (Inverse Probability of Treatment Weighting; IPTW), η οποία εφαρμόζεται για την εκτίμηση των παραμέτρων των περιθωριακών δομικών μοντέλων (Marginal Structural Models; MSMs). Ο σκοπός αυτής της εργασίας ήταν να αξιολογήσει τις επιδόσεις των MSM σε καταστάσεις που συχνά συναντώνται σε διαχρονικές μελέτες παρατήρησης με έκβαση την επιβίωση. Χρησιμοποιώντας μια ακριβή μέθοδο προσομοίωσης, διερευνήσαμε δύο κατηγορίες σεναρίων: α)Απουσία από προγραμματισμένες επισκέψεις, όπως συμβαίνει κατά την παρακολούθηση μιας κλινικής κοόρτης (clinic cohort) και β) μη καταγραφή των τιμών του συγχυτικού παράγοντα, που θα μπορούσε να προκύψει ακόμα και όταν οι επισκέψεις γίνονται ανά συγκεκριμένα χρονικά διαστήματα. Στην πρώτη περίπτωση, τα δεδομένα αναλύθηκαν αρχικά χωρίς καμία διόρθωση και στη συνέχεια χρησιμοποιήθηκε είτε περικοπή είτε κανονικοποίηση των βαρών/σταθμών. Στη δεύτερη περίπτωση, τα δεδομένα αναλύθηκαν είτε συμπληρώνοντας τις ελλείπουσες τιμές με την τελευταία παρατηρηθήσα τιμή τους (Last Observation Carried Forward; LOCF), είτε συμπληρώνοντας τις ελλείπουσες τιμές με τη μέθοδο των πολλαπλών υποκαταστάσεων (Mutliple Imputation; MI) είτε εφαρμόζοντας πρόσθετη στάθμιση με την αντίστροφη πιθανότητα του να είναι μια τιμή μη παρατηρηθήσα (ελλείπουσα) (Inverse Probability of Missingness Weighting; IPMW).Επιπλέον, αναλύσαμε δεδομένα από τη μελέτη HEPNET.Greece για την χρόνια ηπατίτιδα Β (Chronic Hepatitis B; CHB), προκειμένου να αξιολογηθεί η επίδραση της θεραπείας και του τύπου θεραπείας (Ιντερφερόνη +/- Νουκλεο(τ)ιδικό Ανάλογο (NA) έναντι μόνο Νουκλεο(τ)ιδικό Ανάλογο) στην εμφάνισηκλινικού συμβάντος σε ασθενείς με CHB.Τα αποτελέσματα αυτής της εργασίας δείχνουν ότι τα δεδομένα από τις μελέτες παρατήρησης μπορούν να παρέχουν χρήσιμα αποτελέσματα, εφόσον αναλυθούν με την κατάλληλη μέθοδο. Ακόμα και όταν υπάρχουν ελλείπουσες τιμές στο συγχυτικό παράγοντα ή σε περιπτώσεις παρακολούθησης ανά τυχαία/μη προκαθορισμένα χρονικά διαστήματα, όπως συμβαίνει συχνά σε μελέτες παρατήρησης, υπάρχουν εξειδικευμένες προσεγγίσεις για την αντιμετώπιση της πιθανής μεροληψίας οι οποίες μπορούν να ενσωματωθούν στα MSM.