倾向性评分 1(Propensity score)

发布网友发布时间：2024-10-21 16:36

共1个回答

热心网友时间：2024-11-05 18:45

探索倾向性评分（Propensity Score</，简称PS）的奥秘，让我们从其诞生的背景谈起。PS的诞生源于对因果关系探索的迫切需求，尤其是在医学研究中，因果关系的推断至关重要。

因果关系</，简单说，就是当我们想确定一个干预措施对个体健康结局的影响时，要在所有其他条件保持一致的前提下进行。这就是为何随机对照实验被视作黄金标准，通过随机分配处理（如药物或手术），确保基线特征在各组间的平衡。因此，治疗组与对照组的结局差异，可以直接归因于治疗本身的效果，消除了混杂因素的干扰。

然而，观察性队列研究中，治疗分配并非随机，病人的选择可能受到其基线状况和预后的影响。这就引入了混杂因素，使得直接比较结果无法得出因果关系。为了解决这个问题，Rubins和他的团队提出了倾向性评分的概念，旨在模拟随机化实验，从观察性研究中推导出因果效应。

PS的定义</：PS是通过分析病人的基线条件，计算其接受治疗的概率。如果两个病人的PS相等，意味着他们的初始状态相近，治疗选择近乎随机。通过这种方式，我们能在一定程度上模拟随机实验，从而更准确地探讨治疗与预后之间的因果联系。
值得注意的是，PS的构建必须基于预治疗的基线因素，这些因素必须在治疗开始前就已经存在。选择基线因素的首要目的是控制混杂影响，而非仅仅判断接受与否。PS模型的AUC值通常在0.6-0.8之间，过高的预测性能（Perfect treatment distinction）可能导致组间对比失去意义。

PS的生成</：PS的生成本质上是对治疗可能性的预测，通常采用回归分析，如逻辑回归，或是机器学习或深度学习方法。选择自变量时，既要考虑与预后结局关联的变量，又需消除混杂因素。研究者可以选择临床数据中已知的基线变量，或者通过因果关系图（DAG）进行筛选。另一方面，数据驱动的高维PS（Hd PS）方法则可自动评估并选择对结局影响最大的变量组合。
总结来说，倾向性评分作为观察性研究的救赎工具，通过调整和平衡基线变量，帮助我们更准确地揭示治疗与预后之间的因果关系，为临床决策提供有力的支持。