傾向スコアは、処方意向の確率を、背景因子で推測するという枠組みで計算される数値である
傾向スコアを用いることで、観察データを使用した、仮説に基づいた比較ができることになる
実際の利用方法を簡単に解説する
傾向スコアを利用した解析の総論
臨床現場において、薬剤 A を選択するときと、薬剤 B を選択するとき、それぞれに、理由がある
その理由を考慮することなしに、薬剤 A を受けた患者と、薬剤 B を受けた患者の治療成績を比較すると、適切に比較できない
それは、薬剤 A と 薬剤 B の選択に紐づいている、患者背景があり、その患者背景が異なっているから、異なった患者背景にひっぱられた臨床成績が示されることになる
各薬剤は、患者の年齢や全身状態によって、選択されることが多い
患者の年齢や全身状態は、アウトカムにも影響を与える
薬剤選択にもアウトカムにも影響を与える因子は交絡因子と呼ばれ、その交絡因子の影響を取り除かないと適切な比較はできない
交絡因子の影響の除く一つの方法として、傾向スコア法が存在する
傾向スコアは、薬剤 A が処方された患者と薬剤 B が処方された患者の背景因子から計算され、背景因子から予測される薬剤選択確率を示している
どちらの薬剤を選択するかの確率を用いて、薬剤 A 患者と薬剤 B 患者の背景をそろえていこうという方法である
ちなみに、処方意向の確率で話をしているが、処方のことでなくても応用できる
以下、各論では、薬剤 A と 薬剤 B を 処方あり と 処方なし に変えて記述しているが、2 群の背景をそろえるという意味では、同じことである
傾向スコアを利用した解析の各論
傾向スコアの作成方法
傾向スコアは、以下の手順で作成する:
- 処方の有無のカテゴリカルデータを目的変数にして、処方の有無とアウトカムの関連性に交絡している可能性のある交絡因子を説明変数にした、多重ロジスティック回帰モデルを作成する
- 処方の有無を予測する確率を、多重ロジスティック回帰モデルから算出する
- この処方の有無を予測する確率が傾向スコアとなる
傾向スコアマッチング
傾向スコアマッチングは、以下の手順で行う:
- 処方ありの患者の傾向スコアと処方なしの患者の傾向スコアを比較して、近い傾向スコア同士の患者をペアとして抽出する
- 傾向スコアが近いかどうかの定義は、確率である傾向スコアもしくは傾向スコアから計算したロジットの標準偏差の 0.2 倍までを近いものとするなどがある
- マッチングした症例同士だけのデータセットで処方ありなしのアウトカム比較を行う
注:ロジットは、傾向スコアを p とすると、$ \log \frac{p}{1 – p} $ で計算される数値。確率を連続データに変換する方法の一つ
注:標準偏差の 0.2 倍までの違いを許すなどの幅のことをキャリパーと呼ぶ。キャリパーを用いたマッチングを、キャリパーマッチングと言う
逆確率重み付け IPTW
逆確率重み付けは、以下の手順で行う:
- 処方あり症例は、傾向スコアの逆数を計算する
- 処方なし症例は、1 – 傾向スコアの逆数を計算する
- 処方ありと処方なしの割合をかけて、安定化重みとすることも多い
- この重みを使って、各症例に重みを付けて、処方ありと処方なしの交絡因子による偏りのバランスを取る
処方ありは、傾向スコアが 1 に近いのが一般的である
しかし、なかには、処方ありなのにもかかわらず、傾向スコアが 0 に近い症例がいる
その症例はまれであり、処方あり群のなかで重みを付けると、症例なしとバランスがとれる
傾向スコアが 0 に近いと、その逆数は、大きくなる(例:0.1 は 0 に近く、その 逆数は 10 となり、10 人分の重さになる)
このようにして、処方ありとなしのバランスを取るようにするのが逆確率重み付けである
注:逆確率重み付けをあらわす IPTW は、Inverse Probability of Treatment Weighting の頭文字語である
まとめ
傾向スコアを用いた解析を定性的に解説した
傾向とは処方傾向が元の意味で、傾向スコアとは、ロジスティック回帰モデルによって、交絡因子を説明変数とした処方予測確率を求めたものである
傾向スコアでマッチングする方法と傾向スコアの逆数で重み付けしてバランスを取る方法の 2 つが頻繁に使用されている用途である
何らか参考になれば幸い
コメント