著名医師による解説が無料で読めます
すると翻訳の精度が向上します
背景：前向きコホート研究内のネストされたケースコントロール（NCC）設計は、バイオマーカー研究の大きな利点を実現できます。これに関連して、設計を実装する際のデータ損失を最小限に抑えるために、コントロールの選択におけるサンプルの可用性を考慮することは自然です。ただし、これは選択に必要なランダム性に違反し、偏った分析につながります。逆確率の重み付けは分析を改善する可能性がありますが、加重COX回帰を使用した現在のアプローチは、NCC設計の利点を維持できません。 方法：このペーパーでは、加重条件付きロジスティック回帰を紹介します。若い（テディ）の糖尿病の環境決定要因で最近調査されたデータを使用して提案された分析を説明します。潜在的なデータ損失を考慮すると、テディNCCの設計は、コントロールの選択において中程度に選択的でした。分析で非ランダム制御選択が無視されたときにバイアス補正を提示するために、データ駆動型シミュレーション研究が実行されました。 結果：Teddyデータ分析により、条件付きロジスティック回帰を使用した標準分析がパラメーターを推定したことが示されました：-0.015（-0.023、-0.007）。COX回帰を使用した偏った推定値は-0.011（95％信頼区間：-0.019、-0.003）でした。加重コックス回帰推定-0.013（-0.026、0.0004）。提案された加重条件付きロジスティック回帰は-0.020（-0.033、-0.007）と推定され、条件付きロジスティック回帰を使用したものよりも強い負の効果サイズを示します。シミュレーション研究では、非ランダム制御選択を無視するβの標準推定値は、真のβよりも大きくなる傾向があることも示されました（つまり、正の相対バイアス）。 結論：加重条件付きロジスティック回帰は、マッチングを維持しながら、コントロールの選択に柔軟性を提供することにより、分析を強化できます。
背景：前向きコホート研究内のネストされたケースコントロール（NCC）設計は、バイオマーカー研究の大きな利点を実現できます。これに関連して、設計を実装する際のデータ損失を最小限に抑えるために、コントロールの選択におけるサンプルの可用性を考慮することは自然です。ただし、これは選択に必要なランダム性に違反し、偏った分析につながります。逆確率の重み付けは分析を改善する可能性がありますが、加重COX回帰を使用した現在のアプローチは、NCC設計の利点を維持できません。 方法：このペーパーでは、加重条件付きロジスティック回帰を紹介します。若い（テディ）の糖尿病の環境決定要因で最近調査されたデータを使用して提案された分析を説明します。潜在的なデータ損失を考慮すると、テディNCCの設計は、コントロールの選択において中程度に選択的でした。分析で非ランダム制御選択が無視されたときにバイアス補正を提示するために、データ駆動型シミュレーション研究が実行されました。 結果：Teddyデータ分析により、条件付きロジスティック回帰を使用した標準分析がパラメーターを推定したことが示されました：-0.015（-0.023、-0.007）。COX回帰を使用した偏った推定値は-0.011（95％信頼区間：-0.019、-0.003）でした。加重コックス回帰推定-0.013（-0.026、0.0004）。提案された加重条件付きロジスティック回帰は-0.020（-0.033、-0.007）と推定され、条件付きロジスティック回帰を使用したものよりも強い負の効果サイズを示します。シミュレーション研究では、非ランダム制御選択を無視するβの標準推定値は、真のβよりも大きくなる傾向があることも示されました（つまり、正の相対バイアス）。 結論：加重条件付きロジスティック回帰は、マッチングを維持しながら、コントロールの選択に柔軟性を提供することにより、分析を強化できます。
BACKGROUND: A nested case-control (NCC) design within a prospective cohort study can realize substantial benefits for biomarker studies. In this context, it is natural to consider the sample availability in the selection of controls to minimize data loss when implementing the design. However, this violates the randomness required for selection, and it leads to biased analyses. An inverse probability weighting may improve the analysis, but the current approach using weighted Cox regression fails to maintain the benefits of NCC design. METHODS: This paper introduces weighted conditional logistic regression. We illustrate our proposed analysis using data recently investigated in The Environmental Determinants of Diabetes in the Young (TEDDY). Considering the potential data loss, the TEDDY NCC design was moderately selective in its selection of controls. A data-driven simulation study was performed to present the bias correction when a nonrandom control selection was ignored in the analysis. RESULTS: The TEDDY data analysis showed that the standard analysis using conditional logistic regression estimated the parameter: -0.015 (-0.023, -0.007). The biased estimate using Cox regression was -0.011 (95% confidence interval: -0.019, -0.003). Weighted Cox regression estimated -0.013 (-0.026, 0.0004). The proposed weighted conditional logistic regression estimated -0.020 (-0.033, -0.007), showing a stronger negative effect size than the one using conditional logistic regression. The simulation study also showed that the standard estimate of β ignoring the nonrandom control selection tends to be greater than the true β (ie, positive relative biases). CONCLUSION: Weighted conditional logistic regression can enhance the analysis by offering flexibility in the selection of controls, while maintaining the matching.
医師のための臨床サポートサービス
ヒポクラ x マイナビのご紹介
無料会員登録していただくと、さらに便利で効率的な検索が可能になります。