Ponderação do escore de propensão na análise de Cox Cox e seleção covariável

Em relação à ponderação do escore de propensão (IPTW) ao fazer a modelagem de risco proporcional de Cox dos dados de sobrevivência de tempo para evento:

Tenho dados prospectivos de registro nos quais estamos interessados ​​em analisar o efeito do tratamento de um medicamento que, na maioria dos casos, os pacientes já estavam tomando no início. Portanto, não sei como melhor analisar os dados. Potencialmente, algumas das variáveis ​​de linha de base são em grande parte influenciadas pelo tratamento e não o contrário (por exemplo, certos biomarcadores). Estou um pouco perdido quanto a quais covariáveis ​​devo incluir no modelo de pontuação de propensão para estimar pesos e quais covariáveis ​​devo incluir como covariáveis ​​no coxphmodelo (se houver). Qualquer dica na direção certa seria útil! Ainda não encontrei nenhuma literatura sobre isso na modelagem CoxPh.

Penso que covariáveis ​​que representam tratamentos instituídos na linha de base que (possam) influenciar o resultado devem ser incluídos como covariáveis ​​de Cox PH, mas não tenho certeza disso.

Como determino quais variáveis ​​devem ser incluídas como covariáveis ​​no modelo Cox em vez de serem usadas no cálculo dos pesos do escore de propensão?

Questão a seguir:

Entendo o problema hereditário de avaliar o efeito do tratamento de uma certa intervenção que já começou - ou seja, prevalece entre os pacientes, antes do início da observação. Tanto no que diz respeito à introdução de viés relacionado à variação temporal do risco (por exemplo, efeitos colaterais adversos mais comuns no primeiro ano de terapia) quanto às covariáveis ​​afetadas pelo tratamento. Se não me engano - isso foi proposto como uma causa de discrepância entre observacional e aleatório em relação aos parâmetros cardiovasculares e terapia de reposição hormonal. No meu conjunto de dados, por outro lado, estamos interessados ​​em observar um possível efeito adverso do tratamento.

Se eu usar o ajuste do escore de propensão para investigar o efeito do tratamento entre os usuários prevalentes, ou seja, já usar o medicamento antes do início da observação, nos dados da coorte e observarmos um efeito adverso de uma terapia farmacológica (e é isso que estávamos procurando). Posso descartar a possibilidade de superestimar o risco associado ao tratamento? Ou seja, desde que o risco seja significativamente elevado, é mais "definitivamente" não protetor.

Não consigo imaginar um exemplo em que esse tipo de viés possa introduzir uma superestimação do risco de associação de risco falso nesse contexto.

Em teoria, todas as variáveis ​​que você selecionar como parte do peso do escore de propensão não precisam ser incluídas como covariáveis ​​no modelo, porque a ponderação já controlou seu potencial de confusão. Com um modelo de ponderação adequado, você pode, literalmente, apenas modelar o efeito da exposição.

Dito isto, há razões pelas quais você pode querer incluir termos no modelo:

• Estimativas "duplamente robustas". Não há razão, exceto pela perda de precisão, de que você não pode usar variáveis ​​no modelo de ponderação e como covariáveis. Em teoria, você está se protegendo contra confusão de duas maneiras (portanto, essa técnica é referida como "duplamente robusta"). Lembre-se de que isso apenas protege você contra o modelo PS ou o modelo covariável que está sendo especificado incorretamente, fornecendo uma "segunda chance" para especificar o modelo correto, não é uma solução mágica.
• Várias estimativas de interesse. A ponderação faz desaparecer as estimativas de efeito das covariáveis ​​- se você deseja um coeficiente de regressão para a variável, inclua-o como covariável na etapa CoxPH e não no modelo PS.

Tente pesquisar por termos "Duplamente robustos" e similares em periódicos como Epidemiology ou The American Journal of Epidemiology , bem como na literatura bioestatística, e você deve descobrir algumas fontes úteis.

É importante distinguir "afetado pelo tratamento" e "relacionado ao tratamento". O último pode incluir fatores de seleção de tratamento, como os que estamos tentando ajustar com propensão e / ou ajuste covariável. "Afetados pelo tratamento" implica que as covariáveis ​​são medidas após o tempo zero (por exemplo, após a randomização ou após o início do tratamento), o que significa que raramente devem ser usadas.