[论文解读] Contextualizing E-values for Interpretable Sensitivity to Unmeasured Confounding Analyses

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

Statistical Methods and Inference参考文献 26被引用 4

一句话总结

本文提出了观测协变量E值（Observed Covariate E-value）和一个观测偏差图，以在实际观测协变量影响的背景下，为VanderWeele和Ding提出的E值提供上下文解释，用于未测量混杂因素的敏感性分析。通过将假设的未测量混杂因素效应转换为观测协变量效应的尺度，该方法使研究者能够评估：与已观测到的混杂因素影响程度相似的未测量混杂因素，是否可能合理地改变研究结论，从而提升敏感性分析的可解释性和临床相关性。

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.

研究动机与目标

• 解决E值在未测量混杂因素敏感性分析中缺乏上下文解释的问题。
• 通过将E值建立在已测量协变量的实际效应基础上，提升E值的可解释性。
• 为研究者提供一种实用且可视化的工具，以评估未测量混杂因素相对于已观测混杂因素的合理性。
• 通过简化和上下文化E值，促进在观察性研究中广泛采用量化敏感性分析。
• 表明高不平衡的协变量未必对效应估计具有最大影响，从而挑战关于混杂因素重要性的假设。

提出的方法

• 提出观测协变量E值，作为将每个协变量的观测偏差效应转换到E值尺度的变换。
• 使用回归模型估计遗漏单个或分组协变量时引入的偏差。
• 构建观测偏差图，将观测协变量E值与其在原始结局尺度上的对应观测偏差效应并列展示。
• 应用E值框架量化使结果变为非显著所需的假设未测量混杂因素的强度。
• 将该方法整合到完整的敏感性分析工作流程中，包括模型比较和可视化。
• 通过tipr包提供R代码，以实现该方法并生成适合发表的图表。

实验结果

研究问题

• RQ1 能否通过已测量协变量的实际影响，对E值进行有意义的上下文化解释，以提升其可解释性？
• RQ2 已观测协变量的混杂程度有多大？其与使研究结论发生改变的未测量混杂因素临界阈值相比如何？
• RQ3 在暴露组中不平衡程度高的协变量是否必然对效应估计具有最大影响？
• RQ4 研究者如何通过与已观测混杂因素效应的比较，评估未测量混杂因素的合理性？
• RQ5 结合E值和观测偏差效应的可视化图表，能否增强对敏感性分析结果的理解？

主要发现

• 观测协变量E值提供了假设未测量混杂因素强度与实际观测协变量混杂效应之间的直接比较。
• 在说明性示例中，移除全部12个协变量（包括APACHE评分、生理测量和生存概率）对风险比的影响远大于移除子集，表明存在协同混杂效应。
• 尽管APACHE评分和PaO2/FIO2比值等协变量存在高不平衡，但其观测偏差效应并不总是最大，挑战了关于混杂因素优先级的假设。
• 观测偏差图有效地在相同尺度上可视化了已观测协变量和假设未测量混杂因素的相对影响，提升了可解释性。
• 该方法揭示，即使单个协变量的影响力较弱，但其组合移除仍可能产生显著偏差，凸显了群体水平混杂的重要性。
• 该方法使研究者能够判断：与已观测协变量影响程度相似的未测量混杂因素，是否足以使结果发生改变，从而评估残余混杂的合理性。