[논문 리뷰] Contextualizing E-values for Interpretable Sensitivity to Unmeasured Confounding Analyses

Lucy D’Agostino McGowan, Robert A. Greevy|arXiv (Cornell University)|2020. 11. 13.

Statistical Methods and Inference참고 문헌 26인용 수 4

한 줄 요약

이 논문은 관측된 공변량의 E-값과 관측된 편향 플롯을 도입하여, VanderWeele과 Ding의 E-값이 관측된 공변량의 실제 영향을 감안할 때 어떻게 해석될 수 있는지 설명한다. 가상의 미측정 혼란 인자 효과를 관측된 공변량 효과의 척도로 변환함으로써, 연구자들이 미측정 혼란 인자가 관측된 혼란 인자와 유사한 정도일 경우 연구 결론이 어떻게 바뀔 수 있는지 평가할 수 있게 되며, 이는 민감도 분석의 해석 가능성과 임상적 관련성을 향상시킨다.

ABSTRACT

The strength of evidence provided by epidemiological and observational studies is inherently limited by the potential for unmeasured confounding. Researchers should present a quantified sensitivity to unmeasured confounding analysis that is contextualized by the study's observed covariates. VanderWeele and Ding's E-value provides an easily calculated metric for the magnitude of the hypothetical unmeasured confounding required to render the study's result inconclusive. We propose the Observed Covariate E-value to contextualize the sensitivity analysis' hypothetical E-value within the actual impact of observed covariates, individually or within groups. We introduce a sensitivity analysis figure that presents the Observed Covariate E-values, on the E-value scale, next to their corresponding observed bias effects, on the original scale of the study results. This observed bias plot allows easy comparison of the hypothetical E-values, Observed Covariate E-values, and observed bias effects. We illustrate the methods with a specific example and provide a supplemental appendix with modifiable code that teaches how to implement the method and create a publication quality figure.

연구 동기 및 목표

• 미측정 혼란 인자에 대한 민감도 분석에서 E-값의 맥락 해석 부족 문제를 해결하기 위해.
• 측정된 공변량의 관측 효과에 기반하여 E-값의 해석 가능성을 향상시키기 위해.
• 연구자들이 미측정 혼란 인자의 타당성을 관측된 혼란 인자와 비교하여 평가할 수 있는 실용적이고 시각화된 방법을 제공하기 위해.
• E-값을 단순화하고 맥락화함으로써 관찰 연구에서 정량적 민감도 분석의 광범위한 도입을 촉진하기 위해.
• 높은 불균형을 보이는 공변량이 반드시 영향력이 큰 효과를 가진다고 가정하는 것을 도전하기 위해, 공변량이 높은 불균형을 보일지라도 영향력이 크지 않을 수 있음을 보여주기 위해.

제안 방법

• 각 공변량의 관측된 편향 효과를 E-값 척도로 변환한 관측된 공변량 E-값을 제안한다.
• 개별 또는 그룹화된 공변량을 분석에서 생략했을 때 유도되는 편향을 추정하기 위해 회귀 모델을 사용한다.
• 원래 결과 척도에서의 관측된 편향 효과와 함께 관측된 공변량 E-값을 표시하는 관측된 편향 플롯을 구축한다.
• 가상의 미측정 혼란 인자의 강도를 정량화하여 결과가 유의미하지 않게 바뀌는 데 필요한 정도를 파악하기 위해 E-값 프레임워크를 적용한다.
• 모델 비교 및 시각화를 포함한 민감도 분석 워크플로우 전반에 걸쳐 이 방법을 통합한다.
• 이 방법을 구현하고 출판용 그림를 생성하기 위해 tipr 패키지를 통해 R 코드를 제공한다.

실험 결과

연구 질문

• RQ1 측정된 공변량의 관측된 영향을 통해 E-값을 의미 있게 맥락화할 수 있는가? 이는 해석 가능성을 향상시키는 데 기여하는가?
• RQ2 관측된 공변량에서 유래한 혼란 인자의 크기는 얼마이며, 연구 결과를 뒤바꿀 수 있는 임계값인 미측정 혼란 인자의 수준과 비교해보면 어떠한가?
• RQ3 노출군 간에 높은 불균형을 보이는 공변량이 반드시 효과 추정치에 가장 큰 영향을 미치는가?
• RQ4 연구자들이 관측된 혼란 인자와 비교하여 미측정 혼란 인자의 타당성을 어떻게 평가할 수 있는가?
• RQ5 E-값과 관측된 편향 효과를 함께 시각화한 플롯이 민감도 분석 결과의 이해를 향상시킬 수 있는가?

주요 결과

• 관측된 공변량 E-값은 가상의 미측정 혼란 인자의 강도와 실제 관측된 공변량에 의한 혼란 인자의 강도를 직접 비교할 수 있게 해준다.
• 예시 분석에서 APACHE 점수, 생리적 측정치, 생존 확률를 포함한 12개의 공변량을 모두 제거했을 때의 영향력은 부분 집합을 제거했을 때보다 훨씬 크며, 이는 상호작용적 혼란 인자 효과를 시사한다.
• APACHE 점수와 PaO2/FIO2 비율처럼 높은 불균형을 보이는 공변량이 항상 가장 큰 관측된 편향 효과를 가지는 것은 아니며, 이는 혼란 인자 우선순위에 대한 기존 가정을 도전한다.
• 관측된 편향 플롯은 관측된 공변량과 가상의 미측정 혼란 인자 간의 상대적 영향을 동일한 척도에서 효과적으로 시각화하여 해석 가능성을 향상시킨다.
• 이 방법은 단순히 개별적으로는 약한 영향을 미치는 공변량의 조합을 제거했을 때도 상당한 편향을 유도할 수 있음을 드러내며, 그룹 수준의 혼란 인자가 중요한 이유를 강조한다.
• 이 방법은 연구자들이 미측정 혼란 인자가 관측된 것과 유사한 정도일 경우 결과를 뒤바꿀 수 있는지 판단할 수 있게 하여 잔여 혼란 인자의 타당성을 평가할 수 있도록 한다.