High dimensional propensity scoresW

High dimensional propensity scores
We estimated high dimensional propensity scores for all patients at each site. The high dimensional propensity score algorithm is available as downloadable SAS software files from the Brigham and Women’s Hospital.17 As described in detail elsewhere,18 the algorithm prioritises thousands of drug, diagnostic, procedure, and demographic variables according to their potential to cause bias in the estimate of an exposure-outcome association (such as rate ratio). Typically, the 200-500 variables most likely to cause bias are included in a propensity score model that is estimated using logistic regression. In our analysis, we used high dimensional propensity scores to estimate the predicted probability (propensity score) of exposure to higher potency statins versus lower potency statins, conditional on all of the included covariates.
In addition to the 500 covariates empirically selected for the propensity score models, we also included the following pre-specified covariates: year of cohort entry and, from the year preceding cohort entry, binary indicator variables for whether the patient was hospitalised, had a laboratory test, received more than four distinct prescription drugs dispensed, received a loop diuretic, had more than four physician visits, or had a diagnosis for hypertensive disease, hypercholesterolemia, peripheral vascular disease, or congestive heart failure. After estimating propensity scores, we trimmed from the analysis the patients with the smallest 5% and largest 5% of propensity scores.

ผลลัพธ์ (ไทย) 1:

คะแนนมิติสิ่งสูงเราประเมินคะแนนมิติสิ่งสูงสำหรับผู้ป่วยทั้งหมดที่แต่ละไซต์ สิ่งมิติสูงคะแนนอัลกอริทึมจะว่างเป็นซอฟต์แวร์ SAS สามารถดาวน์โหลดแฟ้มจาก Brigham และสตรี Hospital.17 เป็นอธิบายในรายละเอียดอื่น ๆ 18 อัลกอริทึม prioritises พันยา วินิจฉัย ขั้นตอน และตัวแปรทางประชากรตามศักยภาพของพวกเขาทำให้เกิดอคติในการประเมินความสัมพันธ์แสงผล (เช่นอัตราส่วนอัตรา) โดยปกติ มักจะก่อให้เกิดความโน้มเอียง 200-500 ตัวแปรอยู่ในรูปแบบคะแนนสิ่งที่จะประเมินโดยใช้การถดถอยโลจิสติก ในการวิเคราะห์ของเรา เราใช้มิติสิ่งสูงคะแนนเพื่อประเมินความน่าเป็นที่คาดการณ์ (สิ่งคะแนน) ของการสัมผัสกับ statins ศักยภาพสูงเมื่อเทียบกับ statins สมรรถภาพต่ำ เงื่อนไขใน covariates รวมทั้งหมดนอกจาก covariates 500 empirically เลือกรุ่นคะแนนสิ่ง เรายังรวม covariates ระบุไว้ดังต่อไปนี้: ปี ของรายการ cohort จากปีก่อนหน้ารายการ cohort ตัวแปรบ่งชี้แบบไบนารีสำหรับว่าผู้ป่วยถูก hospitalised ได้รับการทดสอบห้องปฏิบัติการ รับมากกว่าสี่หมดยาคำ วน diuretic มีการเข้าชมแพทย์มากกว่าสี่ หรือมีการวินิจฉัยโรค hypertensive, hypercholesterolemia โรคของหลอดเลือดต่อพ่วง หรือ congestive หัวใจล้มเหลว หลังจากการประเมินคะแนนสิ่ง เราตัดจากการวิเคราะห์ผู้ป่วยที่ มีน้อยที่สุด 5% และ 5% ที่ใหญ่ที่สุดของสิ่งคะแนน

ผลลัพธ์ (ไทย) 2:

คะแนนนิสัยชอบมิติสูงเราคาดแนวโน้มที่คะแนนสูงมิติสำหรับผู้ป่วยทั้งหมดในแต่ละเว็บไซต์ อัลกอริทึมคะแนนนิสัยชอบมิติสูงสามารถใช้ได้เป็น SAS ซอฟต์แวร์ดาวน์โหลดไฟล์จากบริกแฮมและสตรี Hospital.17 ตามที่อธิบายในรายละเอียดอื่น ๆ 18 อัลกอริทึม prioritises พันของยาเสพติด, การวินิจฉัยขั้นตอนและตัวแปรทางประชากรตามศักยภาพของพวกเขาที่จะทำให้เกิดอคติใน ประมาณการของสมาคมแสงผล (เช่นอัตราส่วนราคา) โดยปกติ 200-500 ตัวแปรส่วนใหญ่มีแนวโน้มที่จะทำให้เกิดอคติจะรวมอยู่ในรูปแบบคะแนนนิสัยชอบที่มีการคำนวณโดยใช้วิธีการถดถอยโลจิสติก ในการวิเคราะห์ของเราเราใช้คะแนนนิสัยชอบมิติสูงในการประมาณความน่าจะเป็นที่คาดการณ์ (คะแนนนิสัยชอบ) จากการสัมผัสกับยากลุ่ม statin ความแรงที่สูงขึ้นเมื่อเทียบกับยากลุ่ม statin ที่ต่ำกว่าความแรงเงื่อนไขในทุกตัวแปรรวม.
นอกจากนี้ยังมี 500 ตัวแปรที่เลือกสังเกตุคะแนนนิสัยชอบ รุ่นเรายังรวมถึงต่อไปนี้ตัวแปรที่กำหนดไว้ล่วงหน้า: ปีของรายการการศึกษาและจากปีก่อนเข้าศึกษาตัวแปรตัวบ่งชี้ไบนารีสำหรับว่าผู้ป่วยได้รับการรักษาในโรงพยาบาลมีการทดสอบในห้องปฏิบัติการที่ได้รับมากกว่าสี่ยาตามใบสั่งแพทย์ที่แตกต่างกันจ่ายที่ได้รับ ยาขับปัสสาวะห่วงมีกว่าสี่เข้าชมแพทย์หรือมีการวินิจฉัยโรคความดันโลหิตสูงโรคที่ไขมันในเลือดสูง, โรคหลอดเลือดหรือหัวใจล้มเหลว หลังจากการประเมินคะแนนนิสัยชอบเราตัดจากการวิเคราะห์ผู้ป่วยที่มีขนาดเล็กที่สุด 5% และใหญ่ที่สุด 5% ของคะแนนนิสัยชอบ

ผลลัพธ์ (ไทย) 3:

สูงขนาดความโน้มเอียงคะแนน
เราประมาณสูงขนาดความโน้มเอียงคะแนนสำหรับผู้ป่วยทั้งหมดที่แต่ละเว็บไซต์ ความโน้มเอียงคะแนนสูงมิติขั้นตอนวิธีใช้ได้เป็นไฟล์ดาวน์โหลด SAS ซอฟต์แวร์จาก Brigham และสตรี hospital.17 ตามที่อธิบายไว้ในรายละเอียดอื่น ๆ 18 วิธี prioritises พันของยาเสพติด , การวินิจฉัย ,และศึกษาตัวแปรตามศักยภาพของตน เพื่อให้เกิดอคติในการประเมินการผลสมาคม ( เช่น อัตราส่วนเท่ากัน ) โดยทั่วไปแล้ว มักจะก่อให้เกิดอคติ 200-500 ตัวแปรจะถูกรวมอยู่ในคะแนนที่ประเมินโดยใช้วิธีการแบบ logistic regression ในการวิเคราะห์ของเราเราใช้มิติความโน้มเอียงสูงคะแนนประเมินคาดการณ์ความน่าจะเป็น ( คะแนนความโน้มเอียง ) ของแสงสูงกว่า เมื่อเทียบกับศักยภาพความความความแรงต่ำ เงื่อนไขทั้งหมดที่รวมความรู้ .
นอกจากความรู้เชิงประจักษ์ที่เลือก 500 สำหรับความโน้มเอียงคะแนนรุ่นเรายังรวมถึงความรู้ก่อนระบุต่อไปนี้ : ปีติดตามรายการและจากปีก่อนหน้านี้ ตั้งแต่รายการ ตัวแปรที่บ่งชี้ว่าผู้ป่วยที่ต้องรักษาตัวในโรงพยาบาลสอง มีห้องปฏิบัติการทดสอบที่ได้รับมากกว่า 4 ยาจ่าย รับห่วง ขับปัสสาวะ มีมากกว่าสี่แพทย์เยี่ยมชม หรือมีการวินิจฉัยโรคให้อาหารสำเร็จรูป , ความดันโลหิตสูง , โรคหลอดเลือด หรือภาวะหัวใจวายหลังจากประเมินคะแนนความโน้มเอียง เราตัดจากการวิเคราะห์ผู้ป่วยน้อยที่สุด ร้อยละ 5 และร้อยละ 5 ของคะแนนที่ใหญ่ที่สุด
ความโน้มเอียง