Propensity score con covariate parzialmente osservate: confronto di diverse strategie di imputazione e modelli in termini di bilanciamento del campione, senza considerare l'outcome

4 INTRODUZIONE Gli studi osservazionali sono fondamentali nella valutazione delle relazioni associative e causali. Sebbene considerati il ''gold standard'' da molti, gli studi clinici randomizzati (RCT) non sono sempre fattibili. Al contrario, studi osservazionali adeguatamente progettati e condotti potrebbero servire come valide alternative. Un adeguato controllo del confondimento è un aspetto critico della progettazione e dell'analisi. In RCT di grandi dimensioni, la randomizzazione bilancia sia i potenziali confondenti osservati che quelli non osservati. Al contrario, gli studi osservazionali spesso presentano sostanziali squilibri di base nelle covariate osservate tra i gruppi, da cui un maggiore potenziale di confondimento. Per la produzione di evidenze di alta qualità è necessario ridurre al minimo l'effetto di confondimento [1]. Per affrontare questo problema, è stato introdotto il propensity score (PS),ossia la probabilità di essere trattato in base ai valori delle covariate dell'individuo [2], ed è stato dimostrato che si tratta di un punteggio di bilanciamento [3]. Un punteggio di bilanciamento, b(x), è una funzione delle covariate osservate x tale che la distribuzione condizionale di x dato b(x) è la stessa per le unità trattate (z = 1) e di controllo (z = 0). ⊥ | () Ci sono quattro modi in cui i PS possono essere usati per stimare l'effetto del trattamento negli studi osservazionali: matching, inverso della probabilità di ponderazione del trattamento(IPTW), stratificazione e aggiustamento della covariata [4]. Quando le caratteristiche di base osservate sono sufficienti per correggere l’errore di confondimento e il modello di stima del PS è specificato correttamente, l'analisi del PS crea una scambiabilità condizionale tra persone con lo stesso PS [5] permettendo di identificare un effetto causale. Lo stimatore di un effetto causale dovrebbe essere scelto principalmente in base alla stima di interesse, che dipende dalla domanda di ricerca e dalla popolazione.Le stime più comuni sono l' "effetto medio del trattamento sul gruppo trattato" (ATT), che è l'effetto per quelli del gruppo trattato, e l'"effetto medio del trattamento" (ATE), che è l'effetto su tutti gli individui (trattamento e controllo). L'ATE è più interessante se ogni trattamento può essere potenzialmente offerto ad ogni soggetto, mentre l'ATT è preferibile quando si vuole porre l’attenzione sulla popolazione che effettivamente verrà trattata. Vengono fatte tre ipotesi per stimare in modo coerente l'effetto causale di un trattamento: (a) la positività [6], (b) l'ipotesi di un valore di trattamento unitario stabile (SUTVA) [7] e (b) l'assegnazione di un trattamento fortemente ignorabile (SITA). Le ipotesi (a) e (b) significano che ogni individuo ha una probabilità non nulla di ricevere l'uno o l'altro trattamento e ha rispettivamente un solo possibile valore potenziale di esito per ogni trattamento. L'ipotesi (c) implica che non ci sono confondenti non misurati.