觀察型或是資料庫追蹤研究的醫學藥物研究設計中，將用藥組跟非用藥組分別比較時，會面臨不死偏誤(immortal time bias)造成的錯誤分組(misclassification)，而且這個錯誤分組傾向用藥組會有較好的存活效應。什麼是不死偏誤？而不死偏誤造成的錯誤分組指的又是什麼意思？
不死偏誤指的是用藥組在疾病診斷日期之後到第一次用藥日期之間存活的時間偏誤，因為有機會在診斷日期之後被觀察到接受藥物治療的人，前提必須先活著，因此【沒有機會接受治療】的人會被歸類到非用藥組，產生錯誤分組的問題。沒有機會接受治療的人是指在診斷日期之後觀察追蹤的這段時間中死亡、設限或是發生事件的人。這個思考邏輯的背後有個前提假設，診斷日期之後的任何觀察追蹤時間點，病人都是有可能接受藥物治療的人，也是就風險人口(population at risk)的概念。
為什麼不死偏誤會傾向讓用藥組被觀察到較好的結果？
1.事件發生在用藥日期之前的人會被排除，但非用藥組卻不會排除任何事件病人，造成用藥組會被觀察到較低的事件率。
2.用藥組跟非用藥組進入研究的起始時間都是診斷日期，用藥組從診斷日期到用藥日期之間是保證存活且無發生事件，因此用藥組比非用藥組有更好的存活效應。
常見用來處理不死偏誤的方式有下述幾種：(1) 時間相依(time-dependent)，(2) 用藥時間分佈配對(prescription time-distribution matching, PTDM)，(3) 位移用藥組的研究起始日期，直接去除用藥組的不死時間，(4) 設定固定的藥物暴露觀察視窗(time-window)，排除在藥物暴露觀察視窗之外的用藥者及觀察視窗內發生事件者，(5) sequential Cox approach。最後第五種方式是近幾年提出的新方法，許多文獻會採用模擬資料集比較不同方法之間的結果差異，但是少有在同一篇文獻中同時比較時間相依、PTDM跟sequential Cox approach，並且在同一篇文獻中模擬不同資料特性之下三種方法的結果差異，下篇將導讀參考文獻模擬比較的結果。
關鍵字：survival analysis, immortal time bias, time-dependent Cox model, prescription time-distribution matching (PTDM), sequential Cox approach
參考文獻
Karim ME, Gustafson P, Petkau J, Tremlett H; Long-Term Benefits and Adverse Effects of Beta-Interferon for Multiple Sclerosis (BeAMS) Study Group. Comparison of statistical approaches for dealing with immortal time bias in drug effectiveness studies. Am J Epidemiol 2016; 184(4):325-35. doi: 10.1093/aje/kwv445
留言列表
{{ article.title }}