Estruturas para estimar efeitos causais em configurações observacionais: comparando ajuste de confusão e variáveis ​​instrumentais

BMC Medical Research Methodology volume 23, Número do artigo: 122 (2023) Cite este artigo

426 acessos

1 Altmétrica

Detalhes das métricas

Para estimar os efeitos causais, os analistas que realizam estudos observacionais em ambientes de saúde utilizam várias estratégias para mitigar o viés devido à confusão por indicação. Existem duas classes amplas de abordagens para esses propósitos: uso de fatores de confusão e variáveis ​​instrumentais (IVs). Como essas abordagens são amplamente caracterizadas por suposições não testáveis, os analistas devem operar sob um paradigma indefinido de que esses métodos funcionarão de maneira imperfeita. Neste tutorial, formalizamos um conjunto de princípios gerais e heurísticas para estimar efeitos causais nas duas abordagens quando as suposições são potencialmente violadas. Isso requer crucialmente reenquadrar o processo de estudos observacionais como hipótese de cenários potenciais onde as estimativas de uma abordagem são menos inconsistentes do que a outra. Embora a maior parte de nossa discussão sobre metodologia se concentre na configuração linear, abordamos as complexidades em configurações não lineares e procedimentos flexíveis, como estimativa baseada em perda mínima de destino e aprendizado de máquina duplo. Para demonstrar a aplicação de nossos princípios, investigamos o uso off-label de donepezila para comprometimento cognitivo leve. Comparamos e contrastamos os resultados dos métodos de confusão e IV, tradicionais e flexíveis, em nossa análise e em um estudo observacional e ensaio clínico semelhantes.

Relatórios de revisão por pares

Um objetivo comum na área da saúde é estimar o efeito causal de um tratamento ou intervenção nos resultados médicos. O padrão-ouro para esta tarefa continua sendo um ensaio clínico randomizado (ECR) bem controlado. Nesse cenário, a randomização nos permite estabelecer estimativas de causa e efeito porque, em média, as diferenças observadas entre os grupos de tratamento serão devidas ao tratamento atribuído ou ao acaso.

RCTs podem nem sempre ser viáveis ​​devido a restrições éticas, logísticas ou monetárias. Quando este for o caso, podemos recorrer a estudos observacionais na tentativa de isolar efeitos causais de interesse. Estudos observacionais podem fornecer evidências geradoras de hipóteses para ajudar a informar futuras investigações de tratamentos, como extensões para diferentes populações ou casos de uso. Além disso, estudos observacionais fornecem aos pesquisadores evidências do mundo real em torno da eficácia e segurança de um tratamento para aumentar os achados do RCT (por exemplo, ensaios de Fase 4).

No caminho para isolar os efeitos causais, os estudos observacionais devem abordar o viés potencial devido à não randomização da intervenção. Uma fonte comum de viés é a confusão por indicação ou viés de seleção de tratamento, em que os fatores afetam tanto a atribuição do tratamento quanto a condição médica visada. Esses fatores, chamados de fatores de confusão, variam de características do paciente a outros tratamentos concomitantes.

Existem duas classes amplas de abordagens para mitigar o viés de seleção de tratamento com base em variáveis ​​de confusão e variáveis ​​instrumentais (IVs). Resumidamente, as abordagens de confusão visam "ajustar" todos os fatores que explicam a atribuição do tratamento e o resultado. Em contraste, os IVs determinam apenas a atribuição do tratamento, mas, de outra forma, não estão associados ao resultado. IVs são usados ​​para definir um subconjunto da população cuja atribuição de tratamento é livre de confusão.

Fundamentalmente, as abordagens de confusão e IV são caracterizadas por suposições não testáveis ​​na prática. Por exemplo, a noção de que todos os fatores de confusão possíveis foram ajustados não pode ser verificada com dados. Portanto, os analistas devem ser capazes de operar sob a suposição de que esses métodos funcionarão de forma imperfeita. Em outras palavras, nenhuma das abordagens superará totalmente o viés de seleção de tratamento, mas pode fornecer uma estimativa menos tendenciosa do que se não tivesse sido usada. Navegar neste paradigma indefinido requer um conjunto geral de raciocínio e intuição em torno dos estudos observacionais.