|
当我们想要评估某种干预措施的疗效时，最为理想的研究方案是，除了干预措施以外，其他所有可能会影响结局的因素，包括已知的和未知的因素，在两组研究对象之间均保持一致。 随机化是解决这一问题最理想的方法，但在观察性研究中暴露/处理因素往往是病人自行或被动选择的，从而导致暴露/处理组和非暴露/对照组人群之间的预后因素分布不均衡，使得真实的效应值被低估或高估，引起偏倚。这种现象我们称之为混杂（Confounding），其中引起混杂效应的因素被称为混杂因素（Confounder）。 为了控制混杂因素对研究结果的干扰，减少偏倚，我们需要对混杂因素进行一定的调整，使其在暴露/处理组和非暴露/对照组中分布均衡，才能更准确地探讨暴露/处理因素与研究结局之间的关联性，保证观察性研究结果的真实可靠。 本专题就详细介绍观察性研究控制混杂因素的4种方法。以下小标题都可以直接点击查看详细教程。 分层分析是一种常用的控制混杂因素的方法，它是将数据资料按照某个需要控制的混杂因素进行分层，然后再估计暴露/处理因素与研究结局之间的关联性。 2. 多因素调整分析(Multivariable risk adjustment) 分层分析仅仅适用于混杂因素较少，且多为分类变量的情况。当我们的研究中存在较多的混杂因素，且混杂因素较为复杂时，可以尝试多因素调整分析法。在多因素调整分析方法中，根据因变量的类型不同，我们最常应用到的三种回归模型即：多重线性回归、logistic回归及Cox回归。 3. 倾向性评分分析(Propensity Score Analysis，PSA) 分层分析法和多因素调整分析法，操作起来较为简单也易于理解，但是他们都有一个共同的局限性，也就是同时调整的混杂因素的数量不能太多，且受到结局事件例数的限制。如果有大量的混杂因素需要同时进行调整的话，此时该怎么办呢？来看一下倾向性分析。 目前应用倾向性评分来控制混杂因素的方法主要有四种：倾向性评分匹配法，倾向性评分分层法，倾向性评分校正法，倾向性评分加权法。 4. 工具变量分析(Instrumnental Variable Analysis，IVA) 分层分析、多因素调整和倾向性分析等方法，优点在于使用起来相对简单，对结果的解释易于理解，但缺点在于它们仅能控制已测量到的混杂因素所引起的偏倚，而无法消除未知的、被遗漏的、以及测量不准确的混杂因素所造成的残余混杂。 为了进一步消除这部分残余混杂，2006年Brookhart等人首次从计量经济学中将工具变量分析(Instrumental Variable Analysis, IVA)的概念引入到观察性研究中，经过10年的发展，工具变量分析法在观察性研究中得到了越来越多的应用。 |
|
|
