マルチセンター研究で修正されたポアソン回帰を使用した調整されたリスク比のプライバシー保護推定

背景：マルチセンターの研究は、堅牢で一般化可能な証拠を生成する可能性がありますが、プライバシーの考慮事項と法的制限により、データ管理サイト全体に個人レベルのデータをプールすることは困難または不可能になります。バイナリの結果により、ロジスティック回帰分析を実施するためのプライバシー保護分散アルゴリズムが開発されました。ただし、リスク比は、多くの場合、オッズ比よりも暴露結果関連のより透明な解釈を提供します。修正されたポアソン回帰は、調整されたリスク比を直接推定し、個人レベルのデータが利用可能な場合に正しい名目カバレッジを使用して信頼区間を生成するように提案されています。現在、マルチセンター研究では個人レベルのデータのプーリングを避けながら、調整されたリスク比を推定する分散回帰アルゴリズムはありません。 方法：Newton-Raphson手順を活用することにより、修正されたポアソン回帰法を適応させ、マルチセンター研究での概要レベルの情報のみを使用して、多変数調整リスク比を推定しました。シミュレートされたデータの例と実際のデータの両方の例を使用して、提案された方法を開発およびテストしました。その結果を、対応するプールされた個人レベルのデータ分析の結果と比較しました。 結果：提案された方法では、データ管理サイト全体で個人レベルのデータをプールすることなく、対応するプールされた個人レベルのデータ分析と同じ調整されたリスク比の推定値と標準誤差を生成しました。 結論：マルチセンター研究における調整済みリスク比と信頼区間の有効およびプライバシー保護推定のために、分散された修正ポアソン回帰アルゴリズムを開発および検証しました。この方法により、個人レベルのデータを共有せずに、信頼区間の有効な構築とともに、バイナリ結果の関連性のより解釈可能な尺度の計算が可能になります。

BACKGROUND: Multi-center studies can generate robust and generalizable evidence, but privacy considerations and legal restrictions often make it challenging or impossible to pool individual-level data across data-contributing sites. With binary outcomes, privacy-protecting distributed algorithms to conduct logistic regression analyses have been developed. However, the risk ratio often provides a more transparent interpretation of the exposure-outcome association than the odds ratio. Modified Poisson regression has been proposed to directly estimate adjusted risk ratios and produce confidence intervals with the correct nominal coverage when individual-level data are available. There are currently no distributed regression algorithms to estimate adjusted risk ratios while avoiding pooling of individual-level data in multi-center studies. METHODS: By leveraging the Newton-Raphson procedure, we adapted the modified Poisson regression method to estimate multivariable-adjusted risk ratios using only summary-level information in multi-center studies. We developed and tested the proposed method using both simulated and real-world data examples. We compared its results with the results from the corresponding pooled individual-level data analysis. RESULTS: Our proposed method produced the same adjusted risk ratio estimates and standard errors as the corresponding pooled individual-level data analysis without pooling individual-level data across data-contributing sites. CONCLUSIONS: We developed and validated a distributed modified Poisson regression algorithm for valid and privacy-protecting estimation of adjusted risk ratios and confidence intervals in multi-center studies. This method allows computation of a more interpretable measure of association for binary outcomes, along with valid construction of confidence intervals, without sharing of individual-level data.