[논문 리뷰] Guidelines for estimating causal effects in pragmatic randomized trials

Eleanor J. Murray, Sonja A. Swanson외 1명|arXiv (Cornell University)|2019. 11. 14.

Advanced Causal Inference TechniquesMathematics참고 문헌 73인용 수 21

한 줄 요약

이 논문은 실제 임상 적용을 반영하는 실용적 무작위 대조 시험에서 의도 치료 효과와 무작위 치료 효과를 추정하기 위한 종합적인 방법론적 지침을 제공한다. 비준수 및 실제 임상 환경에서의 구현 과제를 다루며, 인과적 추론의 타당성과 다양한 임상 환경에서의 의사결정 관련성을 향상시키기 위해 대상으로 한 통계적 접근법을 제안한다.

ABSTRACT

Pragmatic randomized trials are designed to provide evidence for clinical decision-making rather than regulatory approval. Common features of these trials include the inclusion of heterogeneous or diverse patient populations in a wide range of care settings, the use of active treatment strategies as comparators, unblinded treatment assignment, and the study of long-term, clinically relevant outcomes. These features can greatly increase the usefulness of the trial results for patients, clinicians, and other stakeholders. However, these features also introduce an increased risk of non-adherence, which reduces the value of the intention-to-treat effect as a patient-centered measure of causal effect. In these settings, the per-protocol effect provides useful complementary information for decision making. Unfortunately, there is little guidance for valid estimation of the per-protocol effect. Here, we present our full guidelines for analyses of pragmatic trials that will result in more informative causal inferences for both the intention-to-treat effect and the per-protocol effect.

연구 동기 및 목표

• 실제 임상 실무를 반영하는 실용적 무작위 대조 시험에서 신뢰할 수 있는 인과 효과 추정의 증가하는 필요성을 해결한다.
• 다양한 인구집단과 이중盲되지 않은 설계를 가진 실용적 시험에서 비준수가 높을 경우 의도 치료 분석의 한계를 규명한다.
• 의도 치료에 대한 보완적 측정으로서 무작위 치료 효과의 타당한 추정을 위한 방법론적 지침을 제공한다.
• 복잡한 실제 임상 환경에서의 인과적 추론을 향상시켜 환자, 임상의 및 헬스 시스템 이해관계자들이 시험 결과를 더 잘 활용할 수 있도록 유용성을 높인다.
• 伝통적 가정이 성립하지 않을 수 있는 실용적 시험 분석을 위한 통계적 지침의 핵심적 공백을 메운다.

제안 방법

• 표준 무작위화 기반 방법을 사용하여 첫 번째 단계에서 의도 치료 효과를 추정한다.
• 시간에 따라 변화하는 혼란 변수를 보정하기 위해 마진형 구조 모델 또는 역확률가중법을 적용한다.
• 무작위 치료 효과를 부여된 치료 프로토콜을 준수한 개인들 사이의 인과 효과로 정의한다.
• 특정 일致성 및 양성 가정 하에서 구조적 내재 모델 또는 g-계산을 사용하여 무작위 치료 효과를 추정한다.
• 무측정 혼란 변수에 대한 민감도 분석 프레임워크를 도입하여 무작위 치료 효과 추정의 탄력성을 평가한다.
• 사전에 분석 계획을 수립하고 대상 인구집단 및 치료 프로토콜을 명확히 정의하는 것이 중요하다는 점을 강조한다.

실험 결과

연구 질문

• RQ1 비준수가 높고 이중盲되지 않은 치료 배정이 이루어진 실용적 시험에서 의도 치료 효과를 어떻게 타당하게 추정할 수 있는가?
• RQ2 실용적 시험 환경에서 무작위 치료 인과 효과를 식별하기 위해 필요한 핵심 가정은 무엇인가?
• RQ3 비준수로 인한 선택 편향을 유발하지 않고 무작위 치료 효과를 어떻게 추정할 수 있는가?
• RQ4 실용적 시험 분석에서 시간에 따라 변화하는 혼란 변수를 조정하기 위해 가장 적절한 통계적 방법은 무엇인가?
• RQ5 연구자들은 무작위 치료 효과 추정치가 임상 의사결정에 해석 가능하고 유용하도록 어떻게 보장할 수 있는가?

주요 결과

• 비준수가 흔한 실용적 시험에서 무작위 치료 효과는 의도 치료 효과에 대한 유의미한 보완 정보를 제공한다.
• 무작위 치료 효과의 타당한 추정은 일치성, 양성 및 무측정 혼란 변수의 부재에 대한 강력한 가정이 필요하다.
• 마진형 구조 모델과 g-계산은 복잡한 실제 임상 환경에서 의도 치료 효과와 무작위 치료 효과를 추정하는 데 효과적인 도구이다.
• 무측정 혼란 변수 가정 위반에 대한 민감도 분석은 무작위 치료 효과 추정의 탄력성을 평가하는 데 필수적이다.
• 분석 계획의 사전 수립과 치료 프로토콜의 명확한 정의는 타당하고 투명한 인과적 추론을 위해 필수적이다.
• 이 지침들은 더 세밀한 인과적 추론을 지원함으로써 실용적 시험 결과의 해석 가능성과 임상적 관련성을 향상시킨다.