El ensayo clínico diana para inferencia causal en estudios observacionales
DOI:
https://doi.org/10.62059/LatArXiv.preprints.70Palabras clave:
Ensayo clínico diana, Emulación, Ensayos clínicos, Inferencia causalResumen
El uso de estudios observacionales para inferencia causal es una necesidad, ya que no hay ensayos clínicos aleatorizados disponibles siempre. Para reducir fuentes de sesgo presentes en estudios observacionales “clásicos”, se ha propuesto utilizar el marco del ensayo clínico diana. Bajo este marco, se definen al menos los siguientes componentes del protocolo del ensayo clínico pragmático que hubiéramos querido realizar: criterios de elegibilidad, estrategias de tratamiento, métodos de asignación, periodo de seguimiento, desenlace, contrastes causales y plan de análisis. Posteriormente, estos se modifican en base a los datos observacionales disponibles y se utilizan para emular el ensayo clínico diana lo más de cerca posible. Esto resulta en estudios observacionales con menos sesgo y resultados más confiables. Sin embargo, es importante considerar las limitaciones de este enfoque, ya que sigue tratándose de un estudio observacional y no de un experimento aleatorizado.
Referencias
Hernán MA. The C-Word: Scientific Euphemisms Do Not Improve Causal Inference From Observational Data. Am J Public Health. 2018;108(5):616-619. doi:10.2105/AJPH.2018.304337
Hernan MA. A definition of causal effect for epidemiological research. J Epidemiol Community Health. 2004;58(4):265-271. doi:10.1136/jech.2002.006361
Hernán MA. Methods of Public Health Research — Strengthening Causal Inference from Observational Data. N Engl J Med. 2021;385(15):1345-1348. doi:10.1056/NEJMp2113319
Collins R, Bowman L, Landray M, Peto R. The Magic of Randomization versus the Myth of Real-World Evidence. N Engl J Med. 2020;382(7):674-678. doi:10.1056/NEJMsb1901642
Murad MH, Asi N, Alsawas M, Alahdab F. New evidence pyramid. Evid Based Med. 2016;21(4):125-127. doi:10.1136/ebmed-2016-110401
Hernán MA, Robbins J. Causal Inference: What If. Boca Raton: Chapman & Hall/CRC
Hernán MA, Alonso A, Logan R, et al. Observational Studies Analyzed Like Randomized Experiments: An Application to Postmenopausal Hormone Therapy and Coronary Heart Disease. Epidemiology. 2008;19(6):766-779. doi:10.1097/EDE.0b013e3181875e61
Dickerman BA, García-Albéniz X, Logan RW, Denaxas S, Hernán MA. Avoidable flaws in observational analyses: an application to statins and cancer. Nat Med. 2019;25(10):1601-1606. doi:10.1038/s41591-019-0597-x
Hernán MA, Taubman SL. Does obesity shorten life? The importance of well-defined interventions to answer causal questions. Int J Obes. 2008;32(S3):S8-S14. doi:10.1038/ijo.2008.82
Lajous M. Inferencia causal en análisis basados en datos de vigilancia epidemiológica para Covid-19. Salud Pública México. 2021;63(4):459-460. doi:10.21149/12777
Lodi S, Phillips A, Logan R, et al. Comparative effectiveness of immediate antiretroviral therapy versus CD4-based initiation in HIV-positive individuals in high-income countries: observational cohort study. Lancet HIV. 2015;2(8):e335-e343. doi:10.1016/S2352-3018(15)00108-3
When to Initiate Combined Antiretroviral Therapy to Reduce Mortality and AIDS-Defining Illness in HIV-Infected Persons in Developed Countries: An Observational Study. Ann Intern Med. 2011;154(8):509. doi:10.7326/0003-4819-154-8-201104190-00001
The INSIGHT START Study Group. Initiation of Antiretroviral Therapy in Early Asymptomatic HIV Infection. N Engl J Med. 2015;373(9):795-807. doi:10.1056/NEJMoa1506816
Hernán MA, Sauer BC, Hernández-Díaz S, Platt R, Shrier I. Specifying a target trial prevents immortal time bias and other self-inflicted injuries in observational analyses. J Clin Epidemiol. 2016;79:70-75. doi:10.1016/j.jclinepi.2016.04.014
Matthews AA, Danaei G, Islam N, Kurth T. Target trial emulation: applying principles of randomised trials to observational studies. BMJ. Published online August 30, 2022:e071108. doi:10.1136/bmj-2022-071108
Hernán MA, Robins JM. Using Big Data to Emulate a Target Trial When a Randomized Trial Is Not Available: Table 1. Am J Epidemiol. 2016;183(8):758-764. doi:10.1093/aje/kwv254
Danaei G, Rodríguez LAG, Cantero OF, Logan R, Hernán MA. Observational data for comparative effectiveness research: An emulation of randomised trials of statins and primary prevention of coronary heart disease. Stat Methods Med Res. 2013;22(1):70-96. doi:10.1177/0962280211403603
Matthews AA, Young JC, Kurth T. The target trial framework in clinical epidemiology: principles and applications. J Clin Epidemiol. 2023;164:112-115. doi:10.1016/j.jclinepi.2023.10.008
Dahabreh IJ, Metthews A, Steingrimsson J, Scharfstein D, Stuart EA. Using Trial and Observational Data to Assess Effectiveness: Trial Emulation, Transportability, Benchmarking, and Joint Analysis. Epidemiol Rev.
Schulz KF, Altman DG, Moher D. CONSORT 2010 Statement: Updated Guidelines for Reporting Parallel Group Randomized Trials. Ann Intern Med. 2010;152(11):726-732.
Hansford HJ, Cashin AG, Jones MD, et al. Reporting of Observational Studies Explicitly Aiming to Emulate Randomized Trials: A Systematic Review. JAMA Netw Open. 2023;6(9):e2336023. doi:10.1001/jamanetworkopen.2023.36023
Núñez I, Soto-Mota A. Uneven Resources Threaten Causal Consistency in Randomized Trials. Epidemiology. 2023;34(4):531-534. doi:10.1097/EDE.0000000000001616
Dang LE, Balzer LB. Start with the Target Trial Protocol, Then Follow the Roadmap for Causal Inference. Epidemiology. 2023;34(5):619-623. doi:10.1097/EDE.0000000000001637
Núñez I. Canine Confounders. Significance. 2022;19(4):24-27. doi:10.1111/1740-9713.01670
VanderWeele TJ, Shpitser I. A New Criterion for Confounder Selection. Biometrics. 2011;67(4):1406-1413. doi:10.1111/j.1541-0420.2011.01619.x
Núñez I. The importance of using disease causal models in studies of preventive interventions: Learning from preeclampsia research. Prev Med. 2023;177:107790. doi:10.1016/j.ypmed.2023.107790
Rudolph KE, Keyes KM. Voluntary Firearm Divestment and Suicide Risk: Real- World Importance in the Absence of Causal Identification. 2023;34(1).
Suissa S. Immortal Time Bias in Pharmacoepidemiology. Am J Epidemiol. 2008;167(4):492-499. doi:10.1093/aje/kwm324
Howe CJ, Cole SR, Lau B, Napravnik S, Eron JJ. Selection Bias Due to Loss to Follow Up in Cohort Studies: Epidemiology. 2016;27(1):91-97. doi:10.1097/EDE.0000000000000409
Millard LAC, Fernández-Sanlés A, Carter AR, et al. Exploring the impact of selection bias in observational studies of COVID-19: a simulation study. Int J Epidemiol. 2023;52(1):44-57. doi:10.1093/ije/dyac221
Haneuse S, Arterburn D, Daniels MJ. Assessing Missing Data Assumptions in EHR-Based Studies: A Complex and Underappreciated Task. JAMA Netw Open. 2021;4(2):e210184. doi:10.1001/jamanetworkopen.2021.0184
Hughes RA, Heron J, Sterne JAC, Tilling K. Accounting for missing data in statistical analyses: multiple imputation is not always the answer. Int J Epidemiol. 2019;48(4):1294-1304. doi:10.1093/ije/dyz032
Hernán MA, Hernández-Díaz S. Beyond the intention-to-treat in comparative effectiveness research. Clin Trials. 2012;9(1):48-55. doi:10.1177/1740774511420743
Swanson SA, Studdert DM, Zhang Y, Prince L, Miller M. Handgun Divestment and Risk of Suicide. Epidemiology. 2023;34(1):99-106. doi:10.1097/EDE.0000000000001549
Matthews AA, Dahabreh IJ, Fröbert O, et al. Benchmarking Observational Analyses Before Using Them to Address Questions Trials Do Not Answer: An Application to Coronary Thrombus Aspiration. Am J Epidemiol. 2022;191(9):1652-1665. doi:10.1093/aje/kwac098
Descargas
Descargas
PrePrint online
Categorías
Declaración de disponibilidad de datos
No fueron utilizados datos originales para este manuscrito.
Licencia
Derechos de autor 2024 Isaac Jacobo Núñez Saavedra, Martín Lajous (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Este preprint contiene la licencia informada y los derechos de autoría asociados. Una vez publicados en una revista asociada u otra editorial, la versión publicada asume las condiciones del nuevo entorno.
