بررسی ویژگی های الگو در کف و سقف قیمت

ما از یک مطالعه شبیه‌سازی جامع و مجموعه مطالعات آینده‌نگر بزرگ برای بررسی اثر اثرات کف و سقف در تجزیه و تحلیل تغییر در اندازه‌گیری پیامد گزارش‌شده توسط بیمار قبل از جراحی استفاده می‌کنیم.

ما استفاده و عملکرد مدل‌های توبیت چند سطحی را برای تخمین تغییر در معیارهای پیامد گزارش‌شده توسط بیمار با اثرات کف و سقف نشان می‌دهیم و آنها را با رویکردهای تحلیلی ساده مقایسه می‌کنیم.

ما انواع برآوردگرها را در شبیه سازی تحت انواع مکانیسم های مختلف تولید داده مقایسه و نشان می دهیم و نتایج را با داده های دنیای واقعی مقایسه می کنیم.

این بزرگترین و جامع ترین تجزیه و تحلیل از تأثیر شاخص توده بدنی بر اثربخشی تعویض کامل مفصل ران است و داده هایی را ارائه می دهد که بر ارائه تعویض مفصل ران تأثیر می گذارد.

معرفی

در بسیاری از آزمایش‌های غیرتصادفی، محققان علاقه‌مند به ارزیابی این هستند که چگونه تغییر وضعیت سلامتی با متغیرهای مورد علاقه مرتبط است. در حالی که راهنمایی‌های زیادی در مورد ارزیابی تغییر در آزمایش‌های تصادفی‌سازی‌شده و بحث‌های گسترده‌ای با توجه به کارایی و سوگیری وجود دارد، راهنمایی در مطالعات غیرتصادفی کمتر واضح است. تفاوت اصلی در این است که در مطالعات مشاهده‌ای، انتظار تعادل بین سطوح مختلف مواجهه را در ابتدا نداریم، علاوه بر انتظار عدم تعادل در سایر عوامل مخدوش‌کننده. گلیمور و همکاران از استفاده از تجزیه و تحلیل ساده امتیازات تغییر (SACS) بدون تعدیل پایه برای دستیابی به تخمین های بی طرفانه علّی با استفاده از استدلال های علی ارائه شده از طریق نمودارهای غیر چرخه ای جهت دار حمایت می کنند. تحلیل‌های تغییر استاندارد با و بدون تعدیل خط پایه، هر دو مغرضانه هستند و تحلیل‌های غیر استاندارد مبتنی بر مدل‌های توبیت (رگرسیون سانسور شده) ممکن است مشکلات کف و سقف را بهبود بخشد. درجه ای که مدل های توبیت مشکلات ناشی از اثرات کف و سقف را بهبود می بخشند، مشخص نیست. برخی از نویسندگان پیشنهاد می‌کنند که استفاده از تغییر درصدی یکی از راهبردها برای اجتناب از برخورد با اثرات کف و سقف است، اما توئیسک تاکید کرد که این به سادگی یک تبدیل خطی تغییر را نشان می‌دهد، و بنابراین، با مشکل اثرات کف و سقف سروکار ندارد. توئیسک و ریمن همچنین استفاده از یک مدل رگرسیون توبیت طولی (چند سطحی) را برای محاسبه مناسب اثرات کف و سقف در مطالعات با اندازه‌گیری‌های مکرر توصیف می‌کنند. با این حال، از زمان انتشار آن در سال 2009، تنها تعداد انگشت شماری از تحلیل‌ها وجود دارد که از چند سطح استفاده می‌کنند. مدل‌های توبیت (MLTMs)، 13-16 نشان می‌دهد که عدم آشنایی با این روش‌ها یا درک این موضوع که چه زمانی می‌توان و چه زمانی باید به کار رود، تحلیلگران را از استفاده از آن‌ها یا زمانی که می‌توان به کار برد، منصرف کرد.

MLTM ها اکنون در بسته های نرم افزاری آماری جریان اصلی مانند Stata نسخه 15 گنجانیده شده اند. با توجه به دسترسی آنها ، احتمالاً می توان آنها را بیشتر از آنچه که هست استفاده کرد. این امر با توجه به اینکه استفاده از ابزارهای اندازه گیری با اثرات کف و سقف در تحقیقات مرتبط با سلامت وجود دارد ، مرتبط است. مثالها شامل نتایج در کیفیت زندگی مرتبط با سلامتی (به عنوان مثال ، EQ-5D ، SF-36 و SF-12) ، بهزیستی روانشناختی (به عنوان مثال ، مقیاس اضطراب و افسردگی بیمارستان ، مقیاس افسردگی پس از زایمان ادینبورگ) و اقدامات خاص بیماری از بیماریبهزیستی (به عنوان مثال ، شاخص استئوآرتریت دانشگاه های غربی انتاریو و مک مستر و نمره HIP آکسفورد (OHS) که در بیماران مبتلا به استئوآرتریت (OA) استفاده می شود). با وجود این ، راهنمایی های بسیار کمی در رابطه با عواقب استفاده از ابزارهای اندازه گیری با اثرات کف یا سقف ، هنگام تلاش برای ایجاد استنتاج در مورد تأثیر قرار گرفتن در معرض تغییر (بین دو نقطه زمانی) نتیجه مورد علاقه وجود دارد.

در این مقاله ، ما از یک مطالعه شبیه سازی مونت کارلو (MC) برای مقایسه عملکرد مدل های خطی و توبیت چند سطحی ، معمولاً حداقل مربعات (OLS) و رگرسیون تک سطح تک سطح ، با و بدون تنظیم برای نمرات پایه ، در تجزیه و تحلیل استفاده می کنیم. تغییر در سه آزمایش مختلف غیر تصادفی و یک آزمایش تصادفی. ما همچنین استفاده از این مدل ها را با استفاده از داده های دنیای واقعی از یک ثبت بزرگ جایگزین مشترک ملی نشان می دهیم.

ما با استفاده از نمونه ای از تحقیقات جایگزینی مفصل ، توصیف ارتباط بین شاخص توده بدنی (BMI) و تغییر در یک اندازه گیری نتیجه خاص گزارش شده توسط بیمار (PROM) ، OHS ، انگیزه شبیه سازی و تجزیه و تحلیل داده های نمونه را ایجاد می کنیم. این مسئله در UK17-19 و USA20 بحث برانگیز است زیرا برخی از سازمان ها پیشنهاد می كنند كه تعویض مفصل بیماران را بر اساس BMI خود محدود كنند ، با استناد به افزایش خطر عمل جراحی تجدید نظر و عدم اثربخشی جراحی. افزایش اندک خطر مطلق تجدید نظر در بیماران چاق ، باید در برابر سایر مزایای جایگزینی مفصل ، از جمله کاهش درد و بهبود عملکرد بدنی ، متعادل شود. بنابراین ، مورد توجه پزشکان ، سیاست گذاران و بیماران است که تأثیر نسبی چاقی بر اثربخشی تعویض کل مفصل ران (THR) را در مقایسه با "بیماران با وزن طبیعی" بدانند.

مواد و روش ها

اهداف مطالعه شبیه سازی

ما عملکرد چهار روش مختلف تجزیه و تحلیل را بررسی کردیم ، هنگام تخمین اثر قرار گرفتنبرآورد ، رویکرد عملکرد توصیه شده توسط موریس و همکاران . 21

فرآیند تولید داده

ما داده های طولی "بهزیستی" را قبل و بعد از عمل شبیه سازی کردیم. ما فرض می کنیم که "بهزیستی" یک ساختار نهفته ، واقعاً مداوم و پایدار است که به طور ناقص توسط OHS اندازه گیری می شود. خطای اندازه گیری و اثرات کف/سقف سپس به ساختار نهان اضافه می شود تا پیامدهای آنها را نشان دهد.

ما فرض می کنیم که پاسخ ، بهزیستی ، یک سازه نهفته است که به مناسبت اول اندازه گیری می شود ، جایی که من از 0 (قبل از جراحی) تا 1 (1 سال بعد از عمل) متفاوت است ، زیرا فرد j به عنوان یک مدل سازی می شودعملکرد خطی زمان. دسته بندی های متوسط BMI با توجه به معیارهای WHO ، یعنی 2 = BMI 35 کیلوگرم در متر 2 (از نظر چاق) ، یعنی = 0 بیمار مبتلا به BMI است که به عنوان اضافه وزن طبقه بندی می شود.

زمانی که اندازه‌گیری i روی j فردی انجام شد، با کد 0 در قبل و 1 بعد از جراحی، کجاست. پاسخ متوسط جمعیت پایه برای یک بیمار با BMI متوسط است و نشان دهنده تفاوت فردی j با پاسخ پایه است. مجموع پاسخ پایه فردی برای یک بیمار با BMI متوسط است. نشان‌دهنده میانگین تغییر جمعیت در واحد افزایش در زمان برای یک بیمار با BMI متوسط است و نشان‌دهنده j امین تفاوت فردی از میانگین تغییر جمعیت در واحد افزایش زمان است. مجموع میانگین تغییر فردی در واحد افزایش زمان برای یک بیمار با BMI متوسط است. نشان دهنده اثر افزایش 1 واحدی در قرار گرفتن در معرض ( ) مورد علاقه (BMI) قبل از جراحی و نشان دهنده اثر افزایش 1 واحدی در BMI ( ) بر روی تغییر بهزیستی قبل از عمل جراحی است ( ). واریانس انحرافات فردی از میانگین پاسخ جمعیت در ابتدا و میانگین نرخ تغییر به ترتیب و . کوواریانس بین اندازه‌گیری‌های پایه و نرخ تغییر با (با همبستگی) مشخص می‌شود.

با فرض تغییر خطی، داده‌ها از یک مدل چند سطحی (MLM) با یک برش و شیب تصادفی شبیه‌سازی شدند، برای تصویری از یک مسیر بیمار با BMI متوسط به شکل 1 مراجعه کنید.

تصویر گرافیکی مدل رهگیری و شیب تصادفی چند سطحی که برای تولید داده برای فردی با BMI متوسط استفاده می شود. BMI، شاخص توده بدنی.

پاسخ مشاهده شده بدون اثرات کف و سقف ( ) با افزودن خطای اندازه گیری در مسیر خطی، به پاسخ نهفته، که در آن .

یک پاسخ با اثرات کف و سقف با محدود کردن پاسخ به دروغ بین 0 و 48 شبیه‌سازی می‌شود.

برای یک تصویر گرافیکی از تولید مسیر به شکل 2 مراجعه کنید: ابتدا شبیه سازی می کنیم، سپس مقداری خطای اندازه گیری ( ) را اضافه می کنیم تا پاسخ مشاهده شده ( ) را بدست آوریم، و در نهایت افکت های کف و سقف را برای به دست آوردن پاسخ کوتاه مشاهده شده اضافه می کنیم ( ).

تصویر گرافیکی فرآیند تولید داده پاسخ نهفته، اندازه گیری و اندازه گیری شده با اثرات کف و سقف. پاسخ نهفته است، پاسخ اندازه گیری شده است، و پاسخ اندازه گیری شده با سانسور است.

ما چهار DGP را مقایسه کردیم تا طیفی از سناریوها را با دستکاری نشان دهیم و بر ارتباط بین نتایج قبل و بعد از جراحی تأثیر بگذاریم., , , و به ترتیب در 10، 40، 10، 15 و 3 ثابت شدند. DGP 1 یک مدل تهی است، که در آن یک اثر پایه قرار گرفتن در معرض =-3 است، اما قرار گرفتن در معرض تغییر در طول زمان تأثیری نداشته است (=0)، و هیچ ارتباطی بین مقادیر پایه و تغییر بعدی وجود ندارد (=0).

DGP 2 یک کارآزمایی تصادفی ساده را تکرار می کند که در آن هیچ تفاوتی بین سطوح مواجهه در ابتدا وجود ندارد (0 =)، اما قرار گرفتن در معرض تغییرات در طول زمان را تحت تاثیر قرار می دهد (=-3)، و هیچ ارتباطی بین مقادیر پایه و تغییرات بعدی وجود ندارد.=0). DGP 3 و DGP 4 یک مطالعه کوهورت را تکرار می کنند، که در آن بین سطوح قرار گرفتن در معرض در ابتدا تفاوت وجود دارد (=-3)، و قرار گرفتن در معرض نیز بر تغییر در طول زمان تأثیر می گذارد (=-3). DGP 3 هیچ ارتباطی بین مقادیر پایه و تغییر بعدی مشخص نکرد (=0)، در حالی که DGP 4 یک همبستگی منفی بین مقادیر پایه و تغییر (=-0. 5) مشخص کرد، که نشان دهنده این واقعیت است که جراحی تعویض مفصل تمایل به عادی سازی افراد را دارد. برای تصویری از مسیرهای مرتبط، شکل 3 را ببینید.

تصویر گرافیکی چهار DGP که برای بررسی تأثیر اثرات کف و سقف بر تجزیه و تحلیل تغییر قبل از جراحی و تغییر بعد از عمل با BMI به عنوان یک قرار گرفتن در معرض استفاده شده است. خطوط قرمز افقی در 0 و 48 نشانگر کف و سقف ابزار اندازه گیری است. BMI ، شاخص توده بدنی ؛DGP ، فرآیند تولید داده ها.

ما یک شبیه سازی MC را با 1000 مجموعه داده تکرار شده انجام دادیم که هر کدام با 10 000 بیمار. یک مجموعه داده متعادل ، یعنی سه نقطه داده برای هر فرد ، برای اطمینان از شناسایی MLM های خطی و توبیت شبیه سازی شده است ، یعنی دو نقطه داده امکان تخمین پارامترهای پایه و تغییر را تغییر می دهد اما خطای اندازه گیری نیست. سپس نقطه داده میانی برای تکثیر یک طرح قبل از مطالعه کاهش یافت.

روش تجزیه و تحلیل

برای مجموعه داده ها با سه مورد اندازه گیری ، یک MLM خطی و یک MLTM که منعکس کننده DGP در داده ها قرار گرفته است ، به معادله 1 مراجعه کنید.

در مجموعه داده هایی با دو مورد اندازه گیری ، یعنی یک طراحی قبل از مطالعه ، OLS تک سطح و مدل های Tobit به داده ها تعبیه شده است. از مدل های TOBIT فقط زمانی استفاده می شد که اثرات کف و سقف شبیه سازی شده بود. سه مدل مختلف مورد بررسی قرار گرفت:

1. یک مدل ساده برای بهزیستی پس از عمل.

3. مدلی برای تغییر تنظیم شده برای پایه ، یعنی تجزیه و تحلیل تنظیم شده پایه کواریانس (ANCOVA). این مدل معادل یک مدل برای پس از نمره تنظیم شده برای ANCOVA پایه است ، به استثنای تفسیر رهگیری.

علاوه بر این ، یک MLTM تحت شناسایی ، معادل معادله 1 با واریانس خطای محدود در روح یک تجزیه و تحلیل حساسیت ، جایی که از 5 ، 10 ، 15 ، 20 ، 25 و 30 محدود به یک مقدار محدود شده است.

تخمین

برآورد علاقه ، میانگین تأثیر جمعیت تعامل بین قرار گرفتن در معرض و تغییر در شیب است ، یعنی تغییر قبل از عمل در بهزیستی. ما آزمایش می کنیم که آیا قرار گرفتن در معرض بهبود عمل جراحی بعد از عمل (یعنی فرضیه تهی) را تغییر می دهد.

کارایی

عملکرد هر روش از نظر تعصب ، پوشش ، SE تجربی ، SE مبتنی بر مدل ، میانگین خطای مربع ، خطای نسبی و دقت نسبی مورد بررسی قرار گرفت.

ثبت مشترک ملی انگلیس ، ولز ، ایرلند شمالی و جزیره انسان

با استفاده از داده های مربوط به ثبت مشترک ملی (NJR) ، ما در مورد ارتباط بین BMI و یک PROM ، OHS ، در بیماران تحت THR انتخابی بین 1 آوریل 2003 و 22 فوریه 2017 بررسی کردیم.

منبع اطلاعات

NJR جمع آوری داده ها را در آوریل 2003 آغاز کرد. در آغاز ، برای کلیه THR های انجام شده در بخش خصوصی وارد NJR شد و از سال 2011 کلیه رویه های THR در بخش دولتی و خصوصی موظف بود وارد NJR شوند. حسابرسی ملی اخیر از داده ها بین سالهای 2014 و 2015 به NJR وارد شده است ، داده های تخمین زده شده از 95 ٪ برای THR اولیه و 91 ٪ برای تجدید نظر در THR.

معیارهای شمول/محرومیت

تمام بیماران رضایت بخش تحت THR واجد شرایط بودند که در تجزیه و تحلیل قرار بگیرند. بیماران در صورتی که سابقه بیمار آنها بی نظیر و سازگار باشد ، شامل می شد ، یعنی هیچ نسخه ای ، تجدید نظر قبل از ابتدایی ، یا در حال حاضر در پرس و جو توسط واحد ارسال شده برگزار می شود. با توجه به نیاز به اطلاعات معتبر تاریخ ، بیمارانی که مشخص شده بودند که قبل از انجام عمل درگذشتند ، بیش از 110 سال سن داشتند ، قبل از تاریخ تولد آنها رویه ای انجام داده بودند ، یا قبل از سال 2003 رویه ای دریافت کردنداز تجزیه و تحلیلفقط THR های اولیه ، که در آن نشانه اصلی برای کار OA با ترکیب پروتزهای منحصر به فرد در تجزیه و تحلیل قرار گرفت. تمام THR های دارای ترکیبات یاتاقان فلزی بر روی فلز به دلیل میزان شکست فوق العاده بالا در این گروه از تجزیه و تحلیل حذف شدند. احتمال زیاد این موارد ناشی از OA ثانویه به آسیب شناسی دیگر است.

برای تفکیک دقیق معیارهای ورود به مطالعه ، به شکل 1 مکمل آنلاین مراجعه کنید.

مواد تکمیلی

مواجهه اولیه

قرار گرفتن در معرض اصلی علاقه به این مطالعه BMI است. BMI در سال 2004 به "مجموعه داده های حداقل" دوم معرفی شد. بیماران مبتلا به BMI بین 10 تا 60 در تجزیه و تحلیل قرار گرفتند. اگر اقدامات قد و وزن به ترتیب کمتر از 130 سانتی متر و وزن کمتر از 30 کیلوگرم باشد ، اقدامات BMI به عنوان غیرممکن است. شکل 2 را مشاهده کنید.

نتیجه اولیه

نتیجه اصلی علاقه به این مطالعه تغییر در OHS پس از عمل است. Proms National Linked برای اولین بار در سال 2009 در دسترس بود ، برای جزئیات بیشتر در مورد پیوند ، به شکل 3 مکمل آنلاین مراجعه کنید.

عوامل مخدوش

عوامل مخدوش کننده قبل از عمل به صورت موضوعی به گروه ها سازمان یافته بودند: (1) عوامل بیمار شامل جنس ، جامعه آمریکایی از متخصصان بیهوشی و سرمایه گذار عملیاتی بودند.(2) عوامل عملیاتی شامل تثبیت ، رویکرد ، موقعیت بیمار در حین عمل ، نوع بیهوشی ، رژیم ترومبوپروفیلاکسی ، تحمل و سال THR اولیه بود.(3) تنظیم قسمت درمانی (یعنی بیمارستان خدمات بهداشتی خصوصی یا ملی) ؛(4) عوامل مبتنی بر مشاور شامل وضعیت آموزش جراح اولیه در انجام عملیات و (5) عوامل محرومیت بر اساس شاخص های انگلیسی محرومیت چندگانه (یک شاخص محرومیت مبتنی بر منطقه) بود.

تجزیه و تحلیل آماری

به معنی ، از نقاط SD و IQR برای توصیف متغیرهای مداوم استفاده شد. برای توصیف متغیرهای طبقه بندی شده از فرکانس ها و درصد استفاده شد.

ارتباط بین تغییر در نمره PROMS با استفاده از همان روشهای تک سطح و مدل Tobit ML با واریانس خطای محدود شرح داده شده در مطالعه شبیه سازی به عنوان نمونه مورد بررسی قرار گرفت. علاوه بر این ، ما تجزیه و تحلیل های جامع تری با استفاده از اسپلین های مکعب محدود (RCS) برای مدل سازی ارتباط BMI در مدل Tobit ML با واریانس خطای محدود ، کیسه های خطی تک سطحی و TOBIT ، ANCOVA و مدل های پس از امتیاز انجام دادیم. در مدل Tobit ML ، BMI با RCS در ابتدا و تعامل آن با زمان مدل شد. به همین ترتیب ، ما OHS را برای عوامل مخدوش بیمار و محرومیت در ابتدا و عملکرد ، تنظیم و عوامل مخدوش با تعامل با زمان تنظیم کردیم ، یعنی عوامل عملیاتی و تنظیمات بر تغییر در نتیجه تأثیر می گذارد اما نه پاسخ پایه. در مدلهای تک سطح ، اثر BMI با استفاده از RCS مدل شد و برای عوامل مخدوش با استفاده از رویکردهای رگرسیون استاندارد تنظیم شد.

داده های از دست رفته

با توجه به روش جمع آوری داده ها در برنامه ملی PROMS ، عدم پاسخ مورد مورد بررسی قرار می گیرد. de facto به معنای تحمیل حداکثر دو مورد گمشده در OHS به طور خودکار رخ داده است. علاوه بر این ، با وجود مقادیر معتبر که با موارد OHS فردی ظاهر می شود ، اگر پرسشنامه به عنوان "کامل" مشخص نشده باشد ، نمرات کلی غیرممکن به دست می آید. برای سادگی ، فقط بیماران مبتلا به PROM کامل قبل از عمل و بعد از عمل در تجزیه و تحلیل استفاده شد. BMI در بخش قابل توجهی از گروه وجود ندارد. بیماران قبل از سال 2004 BMI را ثبت نکردند و نسبت بیماران مبتلا به BMI مفقود شده در سال 2004 زیاد است. در سال 2009،~40 ٪ از بیماران BMI ثبت نشده بودند. این کاهش یافته سال در سال و در سال 2016 بود~18 ٪ از بیماران واجد شرایط.

برای سادگی آموزشی ، ما از تجزیه و تحلیل های کامل در کل استفاده می کنیم.

درگیری بیمار و عمومی

نمایندگان بیمار روی ساختار کمیته NJR قرار می گیرند. اولویت های تحقیق NJR توسط این ساختار کمیته مشخص شده و توسط نمایندگان بیمار تصویب شده است. بیماران در تنظیم سؤال تحقیق یا اقدامات نتیجه درگیر نبودند ، و همچنین در طراحی یا اجرای این کار یا تفسیر نتایج نقش داشتند. ما قادر به انتشار نتایج این مطالعه به طور مستقیم برای مطالعه شرکت کنندگان به دلیل ماهیت ناشناس داده ها نیستیم. ما قصد داریم یافته های خود را از طریق تیم ارتباطات آنها به NJR منتشر کنیم تا با توجه به ارائه جایگزینی مشترک و جمعیت عمومی از طریق مطبوعات محلی و ملی ، به افراد مربوطه بپردازیم.

نتایج

مطالعه شبیه سازی

شکل 4 نتایج حاصل از شبیه سازی MC را برای هر DGP نشان می دهد. واضح است که روشهای MLM ، OLS و در مدل های 1 ، 3 و 4 DGP (سناریوهای مشاهده ای) مدل های تک سطح تک سطح همگی تعصب قابل توجهی دارند. فقط Tobit ML با سه نقطه داده تخمین های بی طرفانه را در تمام سناریوها ارائه می دهد. مدل های TOBIT محدود ML نزدیک به بی طرفانه هستند ، اما کمی بیش از حد اندازه اثر را تخمین می زنند ، به جدول 1 ، مدل های TOBIT تک سطح نیز تخمین های بی طرفانه را برای DGP 2 (آزمایش تصادفی) ارائه می دهند. SE تجربی ، میانگین خطای مربع ، خطای نسبی و دقت نسبی برای هر یک از روش ها در جدول تکمیلی آنلاین 1 گزارش شده است.

مواد تکمیلی

طرح 1000 تخمین توسط هر DGP ، برای هر روش تجزیه و تحلیل. در هر روش ، محور عمودی شماره تکرار هر مجموعه داده شبیه سازی شده است. نماد لوله سفید میانگین تخمین ها است. ANCOVA ، تجزیه و تحلیل کواریانس ؛DGP ، فرآیند تولید داده ها. MLM ، مدل چند سطحی ؛OLS ، معمولاً حداقل مربعات ؛SAC ها ، تجزیه و تحلیل ساده از نمرات تغییر.

برآورد شبیه سازی از ویژگی های عملکرد از جمله خطای استاندارد مونت و مونت کارلو در پارانتس مدل های مختلف با استفاده از هر DGP.

شکل 5 گسترش مدل مبتنی بر مدل را نشان می دهد (SES برای هر روش توسط DGP. واضح است که تغییر و بزرگی مطلق SE در MLM با سه نقطه داده در هر نفر کمتر از مدل های Tobit ML است. به طور مشابه ، مبتنی بر مدلSES از روشهای OLS کوچکتر و متغیر تر از روشهای تک سطح است. در DGP 2 ، آزمایش تصادفی ، جالب است بدانید که مدل های SE از TOTBIT ANCOVA از نظر کیسه های TOBIT بسیار کوچکتر هستند. در حالی که تفاوت کمی در آن وجود داردشرایط تعصب از مدل های محدود شده ML ML ، شکل 4 را ببینید ، اندازه و تغییرپذیری SES تخمین زده شده با افزایش مقدار محدودیت افزایش یافته است.

طرح 1000 SES تخمین زده شده توسط هر DGP ، برای هر روش تجزیه و تحلیل. در هر روش ، محور عمودی شماره تکرار هر مجموعه داده شبیه سازی شده است. نماد لوله سفید میانگین SES است. ANCOVA ، تجزیه و تحلیل کواریانس ؛DGP ، فرآیند تولید داده ها. MLM ، مدل چند سطحی ؛OLS ، معمولاً حداقل مربعات ؛SAC ها ، تجزیه و تحلیل ساده از نمرات تغییر.

شکل های مکمل آنلاین 4-15 ، پوشش 95 ٪ CI در هر DGP را نشان می دهد. با کمال تعجب ، پوشش روش هایی که نشان دهنده تعصب است بسیار ضعیف است ، در حالی که پوشش در سطح اسمی برای مدل Tobit ML با سه نقطه داده است. نتایج حاصل از TOBIT محدود ML نشانگر پوشش کمتر از سطح اسمی است. پوشش کمتر از سطح تبلیغ شده در اصل به دلیل تعصب در تخمین است. با این حال ، هنگامی که تخمین های مدل بی طرفانه هستند ، مانند DGP 2 با = 5 ، پوشش ضعیف است ، و این نشان می دهد که تعصب در SE مبتنی بر مدل ، یعنی آنها بسیار کوچک هستند.

NJR انگلستان ، ولز ، ایرلند شمالی و جزیره انسان

پس از استفاده از معیارهای ورود و محرومیت ، 162 513 بیمار مبتلا به OHS قبل از عمل و بعد از عمل برای تجزیه و تحلیل در دسترس بودند. شکل 6 نتایج مجموعه داده های نمونه را با استفاده از رویکردهای مختلف نشان می دهد در حالی که سعی در برآورد اثر دسته BMI بر اثربخشی جراحی دارد ، در حالی که شکل های 7 و 8 استفاده از RCS را برای ارزیابی همان سؤال نشان می دهد.

تخمین و 95 ٪ CI از ML محدود شده ML ، OLS تک سطح و توبیت: ANCOVA ، SAC و پس از مدل ها. ANCOVA ، تجزیه و تحلیل کواریانس ؛ML ، Multilevel ؛NJR ، رجیستری مشترک ملی ؛OLS ، معمولاً حداقل مربعات ؛SAC ها ، تجزیه و تحلیل ساده از نمرات تغییر.

تخمین ها و 95 ٪ CI از پایه و تغییر در نمره HIP آکسفورد (OHS) قبل از جراحی و ارتباط آن با شاخص توده بدنی (BMI) برای مخدوش تنظیم شده است.

تخمین ها و 95 ٪ CI از رویکردهای تک سطح برای تجزیه و تحلیل تغییر در نمره HIP آکسفورد قبل از جراحی و ارتباط آن با شاخص توده بدنی (BMI) برای مخدوش تنظیم شده است. ANCOVA ، تجزیه و تحلیل کواریانس ؛OLS ، معمولاً حداقل مربعات ؛SAC ها ، تجزیه و تحلیل ساده از نمرات تغییر.

تجزیه و تحلیل نمونه

یک SACS SACS تک سطح ، ارتباط مثبت بین BMI و تغییر در OHS را نشان می دهد ، یعنی بیماران با BMI بیشتر در بهزیستی سود بیشتری دارند ، در حالی که مدل های OLS ANCOVA و OLS پس از امتیاز یک ارتباط منفی را نشان می دهند. نمره تک سطح پس از مدل تقریباً 50 ٪ بیشتر از مدل ANCOVA است. تمام مدلهای توبیت تک سطح ارتباط منفی بین BMI و OHS نشان می دهد. مدل Tobit SACS کوچکترین است ، هم Tobit ANCOVA و هم مدلهای پس از مدفوع اثرات قابل توجهی بزرگتر را تخمین می زنند. مدل های محدود ML Tobit همه نتایج معادل (به دو مکان اعشاری) را ارائه می دهند ، نشان می دهد که هیچ تاثیری از BMI در تغییر در OHS قبل و بعد از عمل وجود ندارد ، شکل 6 را ببینید.

رویکرد RCS

تجزیه و تحلیل خام ، که BMI را با استفاده از RCS مدل می کند ، ارتباط پیچیده ای بین BMI و OHS قبل از عمل را نشان می دهد. آ~4. 5 کاهش نقطه در OHS با افزایش BMI بین 20 تا 50 کیلوگرم در متر 2 مشاهده می شود. با این حال ، تغییر در OHS بین قبل از جراحی و بعد از عمل با BMI قبل از عمل بسیار ضعیف است ، در حالی که افراد مبتلا به BMIS 45 کیلوگرم بر متر 2 دستاوردهای نسبتاً بیشتری نسبت به بیماران مبتلا به BMI متوسط 28 کیلوگرم در متر 2 دریافت می کنندوادبا این حال ، با کمتر از ½ یک تغییر واحد در طیف وسیعی از BMI مشاهده شده در گروه ، تفاوت بسیار پایین تر از هر چیزی است که می تواند از نظر بالینی معنی دار باشد ، به شکل 7 مراجعه کنید. و محرومیت ، تفاوت کمی در الگوی تغییر در مقایسه با نتایج خام وجود دارد ، شکل 7 را ببینید. رویکردهای تک سطح در شکل 8 نشان داده شده است ، با مدل های OLS و Tobit الگوهای مشابهی از نتایج را نشان می دهد. ANCOVA و مشخصات پس از مدل ، ارتباط معکوس قوی با BMI را نشان می دهد ، در حالی که افراد چاق پس از عمل جراحی بهبود کمتری دارند. SACS OLS نشان می دهد که چاقی با دستاوردهای بیشتر در OHS پس از عمل همراه است. در مقابل ، مدل های SACS TOBIT نشان می دهد که چاقی با دستاوردهای کوچکتر در OHS به دنبال عمل همراه است.

بحث

نتایج مطالعه شبیه سازی به وضوح نشان می دهد که ، در حضور اثرات کف و سقف ، تنظیم پایه و یا SAC ها برآوردهای بی طرفانه از تأثیر قرار گرفتن در معرض بر نتیجه علاقه را ارائه می دهند. اصلاحات تک سطح برای به حساب کردن اثرات کف و سقف مانند مدل Tobit فقط در زمینه یک کارآزمایی تصادفی کار می کند ، یعنی هنگامی که هیچ تفاوتی بین مقادیر پایه توسط BMI وجود ندارد. مهمتر اینکه ، روشهای تک سطح ، مدل های OLS و TOBIT ، تعصب قابل توجهی را با پوشش ناچیز القا می کنند ، هنگامی که ، یعنی هیچ تغییری در رفاه قبل از انجام توسط BMI وجود ندارد. MLTM کاملاً شناسایی شده با سه مورد اندازه گیری ، برآوردهای بی طرفانه با پوشش نزدیک به سطح تبلیغات باز می گردد. در پیش طراحی های قبل از طراحی با دو مورد اندازه گیری مدل ML ، با واریانس سطح 1 محدود ، برآورد بازگشت بسیار نزدیک به بی طرفانه بودن است ، اما پوشش کمتر از تبلیغات نشان دهنده تعصب در SES مبتنی بر مدل است.

مطالعه شبیه سازی با یک شهود غیرقانونی با توجه به تجزیه و تحلیل اثرات کف و سقف سازگار است. با فرض اینکه بپذیریم که یا تجزیه و تحلیل MLM و OLS در صورت عدم وجود اثرات کف و سقف مناسب است ، DGP 1 نشان می دهد که وقتی هیچ تاثیری از چاقی در اثربخشی جراحی وجود ندارد ، افزودن یک سقف مصنوعی باعث افزایش سود افراد می شودبه سمت بالای توزیع. با توجه به ارتباط پایه بین چاقی و بهزیستی ، افراد کم وزن تمایل به دستیابی به دستاوردهای دارند که در مقایسه با افراد چاق فشرده تر هستند. این به ناچار باعث تعصب می شود و شواهدی از تغییر در بهزیستی و بهزیستی پس از عمل توسط BMI ارائه می دهد ، جایی که در واقع هیچکدام وجود ندارد. به طور مشابه ، در DGP 2 (بدون تفاوت پایه) که در واقع اثر متقابل وجود دارد ، همچنین منجر به برآوردهای مغرضانه می شود. DGP مورد استفاده در شبیه سازی فرض می کند افراد کم وزن بیشتر از افراد سنگین تر از عمل جراحی بهره مند می شوند ، که منجر به خارج شدن از مسیرها می شود. افراد کم وزن نسبت به افراد چاق دستاوردهای بیشتری دارند ، اما این سود به دلیل اثر سقف دست کم گرفته می شود و در نتیجه تعصب نسبت به تهی ایجاد می شود. در DGPS 3 و 4 (تفاوت های پایه در BMI ، و تعامل بین BMI و تغییر) ، ما یک الگوی شدیدتر از نتایج را در مقایسه با DGP 2 مشاهده می کنیم ، اما سازگاری کلی با پاسخ مورد انتظار فشرده سازی دستاوردهای فردی که در ابتدا مقادیر شروع بالاتر دارند.

در تجزیه و تحلیل مثال از داده های NJR ، الگوی نتایج بسیار شبیه به DGP 1 شبیه سازی است ، نشان می دهد که نتایج شبیه سازی احتمالاً در مجموعه داده های دنیای واقعی تکرار می شود. تجزیه و تحلیل جامع تر از داده های NJR ، با استفاده از RCS برای بازتاب ماهیت مداوم BMI ، به طور مناسب نشان می دهد که اثرات مدل های تک سطح غلط از کجا ناشی می شود. مدل Tobit ML ارتباط منفی قوی بین BMI و OHS قبل از عمل را نشان می دهد ، و عدم پاسخگویی به این اختلافات پایه به طور مناسب هنگام تلاش برای برآورد تغییر منجر به تغییر در ابتدا در برآورد تغییر می شود. علاوه بر این ، توانایی تنظیم OHS پایه و بعد از جراحی برای اثرات برجسته کف و سقف آنها ، به ترتیب منجر به برآوردهای بی طرفانه از تأثیر علاقه می شود. متأسفانه ، با توجه به محدودیت های موجود در واریانس سطح 1 ، تفسیر اثرات تصادفی دشوار است ، زیرا آنها به بزرگی واریانس اعمال شده در محدودیت بستگی دارند ، به شکل مکمل آنلاین مراجعه کنید. با این حال ، مدل ها به وضوح نشان می دهد که تغییر در PROM هاپس از THR به BMI بستگی ندارد و به نظر می رسد جراحی بدون توجه به BMI آنها برای بیماران مؤثر است.

نتیجه

کف و سقف در ابزارهای تبلیغاتی تأثیرات قابل پیش بینی بر روی ضرایب تخمین زده شده از مدل های استاندارد OLS دارند که برای اثرات کف یا سقف تنظیم نمی شوند ، با فرض اینکه ارتباط اساسی واقعی شناخته شده است. از آنجا که به ندرت اینگونه است ، مهم است که انواع مختلفی از DGP مختلف را در نظر بگیرید تا تأثیر احتمالی آن را در یک تجزیه و تحلیل کشف کند. مهم است که اعتبار فرضیات زیر مدل Tobit را در نظر بگیرید ، یعنی اینکه پاسخ نهفته واقعاً مداوم است و یک سقف واقعی دقیقاً فراتر از محدوده اندازه گیری مورد استفاده وجود دارد.

مدل‌های توبیت تک سطحی اثرات کف و سقف را در SACS بهبود نمی‌بخشند. با این حال، به نظر می‌رسد مدل‌های ML Tobit تحت مفروضات خاصی تأثیرات علاقه را بازیابی می‌کنند. تحلیل‌های پیش طراحی‌ها نیازمند محدودیت‌های بیشتری برای اطمینان از شناسایی کامل مدل‌ها هستند. تفاوت بین رویکردهای تحلیلی می‌تواند عمیقاً تفسیر پارامترهای مدل را تغییر دهد، و این ممکن است عواقب جدی در صورت استفاده برای ایجاد سیاست نامناسب داشته باشد. به عنوان مثال، تجزیه و تحلیل نامناسبی که DGP را به درستی در نظر نمی گیرد، ممکن است منجر به محدودیت جایگزینی مفصل برای بیماران دارای اضافه وزن یا چاق شود.

هنگام طراحی یک مطالعه برای بررسی اثر قرار گرفتن در معرض تغییر در وضعیت سلامت، ترجیح داده می شود از ابزار اندازه گیری استفاده شود که اثرات کف یا سقف نداشته باشد زیرا استنتاج پیچیده تر است و در اکثر سناریوها تحلیل برنده طرح است. اگر استفاده از ابزار اندازه‌گیری با اثرات کف و سقف اجتناب‌ناپذیر است، ترجیح داده می‌شود که داده‌ها را در سه نقطه زمانی جمع‌آوری کنیم که اطمینان حاصل شود که مدل‌ها کاملاً شناسایی شده‌اند، و نیاز به محدود کردن واریانس سطح 1 به منظور شناسایی مدل‌ها را کاهش می‌دهد. اگر تحلیل گذشته‌نگر مجموعه‌های داده‌های قبل و بعد مورد نیاز باشد، به نظر می‌رسد که استفاده از مدل ML Tobit با واریانس خطای سطح 1 محدود به رویکردهای تک سطحی ارجحیت دارد.

به طور کلی، تحلیل‌های این شبیه‌سازی با کار گلیمور و همکارانش مطابقت دارد، که تجزیه و تحلیل تغییر و تعامل آن با قرار گرفتن در معرض در ابتدا، نباید برای اندازه‌گیری‌های پایه در داده‌های مشاهده‌ای تنظیم شود. وجود اثرات کف و سقف در داده ها مستلزم مفروضات اضافی است که همه چیز را تا حدی پیچیده تر می کند.

قدردانی ها

ما از بیماران و کارکنان تمام بیمارستان ها که داده ها را به ثبت ملی مشترک داده اند، تشکر می کنیم. ما از مشارکت بهبود کیفیت مراقبت های بهداشتی، کمیته راهبری ثبت مشترک ملی، و کارکنان اداره ثبت مشترک ملی برای تسهیل این کار سپاسگزاریم. نظرات بیان شده نمایانگر نظرات نویسندگان است و لزوماً نظرات کمیته راهبری ثبت ملی مشترک یا مشارکت بهبود کیفیت مراقبت های بهداشتی را منعکس نمی کند، که نحوه ارائه اطلاعات را تضمین نمی کند.