Как скорректировать оценку эффекта в отношении выживаемости на treatment switching ❓
🔹 С точки зрения причинно-следственного вывода, терапия влияет на тяжесть состояния пациента, а та, в свою очередь, влияет и на исход (OS), и на решение о продолжении пациентом назначенной ему терапии. Степень тяжести заболевания является варьирующимся во времени конфаундером. Если мы попытаемся каким-либо способом проконтролировать переключение или текущий статус терапии пациента (в том числе через цензурирование на момент переключения), мы тем самым откроем обходной (backdoor) каузальный путь от воздействия к исходу через тяжесть состояния. В оценке эффекта -- это как открыть портал в ад.
🔹 В отличие от конфаундинга на момент назначения воздействия, рандомизация воздействия никак не защищает от варьирующегося во времени конфаундинга, и бороться с ним "традиционными" методами, обычно применяемыми при отсутствии рандомизации (стратификацией, многофакторной регрессией, мэтчингом, взвешиванием, двойными робастными методами), невозможно.
🔹 Невозможно потому, что варьирующийся во времени конфаундер является еще и медиатором между воздействием и исходом (воздействие влияет на исход не только напрямую, но и через тяжесть состояния пациента). И применение способов коррекции, которые обычно используются для деконфаундинга на бейзлайне, закроет не только портал в ад, но и выход из него обходной, но и прямой (frontdoor) каузальный путь от воздействия к исходу, что не позволит нам оценить полный эффект воздействия.
🔹 Поэтому здесь нужна магия посильнее работают только так называемые g-методы. Если что, их можно применять и против конфаундинга на бейзлайне, когда рандомизация воздействия по тем или иным причинам невозможна.
🔹 Каждый g-метод, безусловно, заслуживает отдельной лекции (сама бы послушала еще не раз!). У каждого из них есть свои допущения, для реализации некоторых из них может потребоваться сбор данных относительно тяжести состояния пациента после рандомизации (например, на момент переключения на другую терапию или прогрессирования заболевания).
🔹 С точки зрения причинно-следственного вывода, терапия влияет на тяжесть состояния пациента, а та, в свою очередь, влияет и на исход (OS), и на решение о продолжении пациентом назначенной ему терапии. Степень тяжести заболевания является варьирующимся во времени конфаундером. Если мы попытаемся каким-либо способом проконтролировать переключение или текущий статус терапии пациента (в том числе через цензурирование на момент переключения), мы тем самым откроем обходной (backdoor) каузальный путь от воздействия к исходу через тяжесть состояния. В оценке эффекта -- это как открыть портал в ад.
🔹 В отличие от конфаундинга на момент назначения воздействия, рандомизация воздействия никак не защищает от варьирующегося во времени конфаундинга, и бороться с ним "традиционными" методами, обычно применяемыми при отсутствии рандомизации (стратификацией, многофакторной регрессией, мэтчингом, взвешиванием, двойными робастными методами), невозможно.
🔹 Невозможно потому, что варьирующийся во времени конфаундер является еще и медиатором между воздействием и исходом (воздействие влияет на исход не только напрямую, но и через тяжесть состояния пациента). И применение способов коррекции, которые обычно используются для деконфаундинга на бейзлайне, закроет не только портал в ад, но и выход из него обходной, но и прямой (frontdoor) каузальный путь от воздействия к исходу, что не позволит нам оценить полный эффект воздействия.
🔹 Поэтому здесь нужна магия посильнее работают только так называемые g-методы. Если что, их можно применять и против конфаундинга на бейзлайне, когда рандомизация воздействия по тем или иным причинам невозможна.
🔹 Каждый g-метод, безусловно, заслуживает отдельной лекции (сама бы послушала еще не раз!). У каждого из них есть свои допущения, для реализации некоторых из них может потребоваться сбор данных относительно тяжести состояния пациента после рандомизации (например, на момент переключения на другую терапию или прогрессирования заболевания).