📊 statistics

Performance of prior event rate ratio method in the presence of differential mortality or dropout

توسع هذه الدراسة الأبحاث السابقة حول طريقة نسبة معدل الحدث السابق (PERR) من خلال إثبات أنه بينما يظل المقدر التقليدي متحيزاً في ظل سيناريوهات مختلفة من الوفيات والانسحاب التفاضلي، فإن مقدراً بديلاً يستخدم المكتملين فقط (PERR_Comp) يقلل التحيز بشكل كبير ويوفر تقديرات غير متحيزة ما لم تكن الوفيات أو الانسحاب متأثرين مباشرة بالأحداث السابقة.

المؤلفون الأصليون: Yin Bun Cheung, Xiangmei Ma

نُشر 2026-02-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yin Bun Cheung, Xiangmei Ma

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محقق يحاول معرفة ما إذا كان دواء جديد فعال حقاً. أنت تنظر إلى سجلات حقيقية للمرضى، ولكن هناك عقبة: بعض المرضى كانوا أكثر مرضاً من غيرهم حتى قبل أن يبدأوا العلاج. هذا "المرض" هو دليل خفي (عامل مربك) يجعل من الصعب معرفة ما إذا كان الدواء قد ساعد أم أن المرضى كانوا مختلفين بطبيعتهم منذ البداف.

لحل هذه المشكلة، يستخدم الباحثون خدعة ذكية تسمى نسبة معدل الأحداث السابقة (PERR). فكر في الأمر كأنه مقارنة بين صور "قبل وبعد"، ولكن للزمن.

خدعة المحقق (كيف تعمل طريقة PERR)

بدلاً من مجرد النظر إلى ما حدث بعد بدء تناول الدواء، تنظر طريقة PERR إلى فترتين زمنيتين لكل مريض:

فترة "ما قبل": الوقت قبل تناول الدواء.
فترة "ما بعد": الوقت بعد بدء تناول الدواء.

تقارن الطريقة بين المجموعة التي تلقت العلاج ومجموعة الضبط (الأشخاص الذين لم يتناولوا الدواء). وهي تحسب عدد المرات التي وقع فيها حدث ما (مثل الإصابة بالمرض) في فترة "ما بعد" مقابل فترة "ما قبل" لكلا المجموعتين. ومن خلال أخذ نسبة هاتين المقارنتين، تحاول طريقة PERR إلغاء "الأدلة الخفية" (العوامل المربكة) التي كانت موجودة في كلتا الفترتين. الأمر يشبه قولنا: "إذا كانت هذه المجموعة أكثر مرضاً بمرتين قبل الدواء، ولا تزال أكثر مرضاً بمرتين بعد الدواء، فإن الدواء لم يغير شيئاً".

المشكلة: لغز "الانسحاب"

حذرت دراسة سابقة من أن هذه الخدعة تنهار إذا بدأ الناس في الانسحاب من الدراسة (بسبب الوفاة أو المغادرة) بمعدلات مختلفة. وزعموا أنه إذا كان سبب مغادرة الناس مزيجاً من علاجهم، ومرضهم الخفي، وصحتهم السابقة، فإن طريقة PERR ستعطي إجابة خاطئة.

تقول هذه الورقة البحثية: "مهلاً، الأمر ليس بهذه البساطة."

يجادل المؤلفون بأن طريقة PERR ليست مجرد أداة واحدة؛ بل هي صندوق أدوات. وبناءً على كيفية استخدامك للأدوات بداخله، قد تحصل على نتائج مختلفة. لقد اختبروا طريقتين محددتين لاستخدام طريقة PERR:

"الطريقة القديمة" (PERRPrev): تستخدم هذه الطريقة بيانات من الجميع في فترة "ما قبل"، ولكنها تستخدم فقط بيانات الأشخاص الذين استمروا حتى النهاية في فترة "ما بعد".
- التشبيه: تخيل أنك تحكم على سباق. أنت تعد العدائين الذين بدأوا السباق، ولكن في النصف الثاني، تعد فقط العدائين الذين لم ينسحبوا. إذا كان الأشخاص الذين انسحبوا هم معظم العدائين البطيئين، فإن نتيجتك النهائية ستكون خاطئة.
- النتيجة: أكد المؤلفون أن هذه "الطريقة القديمة" تصبح بالفعل منحازة (خاطئة) عندما ينسحب الناس لأسباب معقدة.
"الطريقة الجديدة" (PERRComp): هذه الطريقة أكثر صرامة. فهي تنظر فقط إلى الأشخاص الذين أكملوا الدراسة بأكملها (المستمرون) في كل من فترتي "ما قبل" و"ما بعد".
- التشبيه: هذا يشبه قولنا، "سوف نحكم على السباق بناءً على العدائين الذين أنهوا الماراثون بالكامل فقط". نحن نتجاهل أي شخص انسحب، سواء في النصف الأول أو النصف الثاني.
- النتيجة: هذه الطريقة أكثر متانة وقوة.
  - إذا انسحب الناس بسبب صحتهم السابقة أو بسبب العلاج، فإن هذه الطريقة تظل دقيقة إلى حد كبير.
  - إذا انسحب الناس تحديداً بسبب ما حدث لهم في فترة "ما قبل" (على سبيل المثال، إذا كان المرض قبل تناول الدواء هو ما جعلهم ينسحبون)، فإن هذه الطريقة تصبح منحازة قليلاً، ولكن الخطأ يكون حوالي ثلث سوء "الطريقة القديمة".
  - إذا انسحب الناس لأسباب غير متعلقة بصحتهم السابقة (مجرد أسباب عشوائية أو بسبب العلاج نفسه)، فإن هذه الطريقة تعطي إجابة دقيقة تماماً.

الخلاصة الكبرى

تخلص الورقة البحثية إلى أن طريقة PERR ليست "معطلة"؛ بل يعتمد الأمر فقط على النسخة التي تستخدمها.

إذا استخدمت النسخة التي تمزج بين بيانات المنسحبين والمستمرين، فإنك تخاطر بالحصول على إجابة خاطئة عندما يغادر الناس الدراسة لأسباب معقدة.
إذا استخدمت النسخة التي تنظر فقط إلى الأشخاص الذين استمروا طوال الوقت، فستحصل على إجابة أكثر موثوقية. هي تفشل فقط إذا كان فعل الإصابة بالمرض في الماضي هو ما تسبب في مغادرتهم للدراسة.

باختصار، يخبر المؤلفون الباحثين: "لا ترموا طريقة PERR بأكملها لمجرد سيناريو واحد سيء. فقط اختاروا النسخة الصحيحة من الأداة لحالتكم الخاصة، ويمكنكم الحصول على الحقيقة".

ملخص تقني: أداء طريقة نسبة معدل الحدث السابق في ظل وجود وفيات أو تسرب متفاوت

بيان المشكلة
تُعد طريقة نسبة معدل الحدث السابق (PERR) إطاراً إحصائياً مصمماً للتحكم في المتغيرات المربكة المقاسة وغير المقاسة في التقييمات الواقعية للعلاجات الطبية باستخدام السجلات الطبية الإلكترونية. وبينما تم تطبيق PERR على علاجات متنوعة، فإن صلاحيتها تواجه تحدياً بسبب وجود وفيات أو تسرب متفاوت. وقد أظهرت دراسة محاكاة سابقة، استُشهد بها على نطاق واسع، أن تقديرات PERR لتأثير العلاج على النتائج الثنائية تصبح منحازة عندما تتأثر معدلات الوفيات/التسرب بشكل مشترك بالعلاج، والمتغيرات المربكة، والأحداث السابقة. ومع ذلك، كانت تلك الدراسة محدودة النطاق، حيث فحصت مُقدِّراً واحداً محدداً لـ PERR وسيناريو واحداً فقط من الوفيات/التسرب المتفاوت. تعالج هذه الورقة الفجوة في الفهم من خلال التحقيق فيما إذا كان الانحياز الملحوظ هو خلل متأصل في إطار عمل PERR أم أنه نتيجة لخيارات تشغيلية محددة داخل هذا الإطار.

المنهجية
أجرى المؤلفون سلسلة من دراسات المحاكاة لإعادة إنتاج وتوسيع النتائج السابقة. قيمت الدراسة ثلاثة مُقدِّرات متميزة:

$PERR_{Prev}$ : المُقدِّر المستخدم في الأدبيات السابقة، والذي يتضمن فقط المكتملين (الذين لم يتعرضوا للوفاة/التسرب) في البسط (فترة ما بعد العلاج)، ولكنه يتضمن جميع الأشخاص (المكتملين وغير المكتملين) في المقام (الفترة السابقة).
$PERR_{Comp}$ : مُقدِّر بديل اقترحه هذه الدراسة، والذي يقصر التحليل على المكتملين فقط، مستخدماً بيانات المكتملين في كل من البسط والمقام.
الخطر النسبي (RR): مُقدِّر قياسي لا يستخدم فترة الحدث السابقة للتحكم في المتغيرات المربكة.

أجريت عمليات المحاكاة تحت أربعة سيناريوهات مختلفة فيما يتعلق بمحددات الوفاة/التسرب ( $M_2$ ):

السيناريو 1: يتأثر $M_2$ بالعلاج ( $X$ )، والمتغير المربك ( $C$ )، والحدث السابق ( $Y_1$ ). وهذا يعيد إنتاج السيناريو المحدد من الدراسة السابقة.
السيناريو 2: يتأثر $M_2$ بالمتغير المربك ( $C$ ) والحدث السابق ( $Y_1$ )، ولكن ليس بالعلاج.
السيناريو 3: يتأثر $M_2$ بالمتغير المربك ( $C$ ) والعلاج ( $X$ )، ولكن ليس بالحدث السابق.
السيناريو 4: يتأثر $M_2$ بالمتغير المربك ( $C$ ) فقط.

عبر جميع السيناريوهات، تم تغيير معدلات الوفيات/التسرب من 0% إلى 20%. تضمن كل سيناريو 10,000 تكرار مع حجم عينة يبلغ 100,000 شخص لكل تكرار. تم تحديد التأثير الحقيقي للعلاج عند خطر نسبي (RR) قدره 2.

النتائج الرئيسية

إعادة إنتاج الانحياز السابق: في السيناريو 1، نجحت الدراسة في إعادة إنتاج انحياز التقدير المنخفض لـ $PERR_{Prev}$ مع زيادة معدلات الوفيات/التسرب. عند معدل 20%، كان متوسط تقدير $PERR_{Prev}$ هو 1.83 (بينما الخطر النسبي الحقيقي هو 2).
أداء $PERR_{Comp}$ : في السيناريو 1، أظهر $PERR_{Comp}$ انخفاضاً ملحوظاً في الانحياز مقارنة بـ $PERR_{Prev}$ . عند معدل وفيات 20%، كان متوسط تقدير $PERR_{Comp}$ هو 2.05. كان حجم الانحياز في $PERR_{Comp}$ حوالي ثلث حجم الانحياز في $PERR_{Prev}$ .
السيناريوهات 3 و4 (عدم تأثير الحدث السابق): ظهرت نتيجة حاسمة في السيناريوهات التي لم يكن فيها الوفاة/التسرب متأثراً بشكل مباشر بالحدث السابق ( $Y_1$ ). في هذه الحالات (السيناريوهين 3 و4)، قدم $PERR_{Comp}$ تقديرات دقيقة وغير منحازة لتأثير العلاج بغض النظر عن معدل الوفيات/التسرب. وعلى العكس من ذلك، استمر $PERR_{Prev}$ في إنتاج تقديرات منحازة في هذه السيناريوهات.
المتغيرات المربكة مقابل الرقابة (Censoring): أظهر مُقدِّر الخطر النسبي (RR) القياسي انحيازاً كبيراً ناتجاً عن المتغيرات المربكة عند عدم حدوث وفيات. ومع زيادة معدلات الوفيات، ألغى الانحياز الناتج عن الوفيات المتفاوتة جزئياً انحياز المتغيرات المربكة في تقديرات RR، وهي ظاهرة لم تُلاحظ مع مُقدِّرات PERR بنفس الطريقة.

الأهمية والادعاءات
تجادل الورقة بأن طريقة PERR يجب أن تُعتبر إطار عمل منهجياً وليس مجرد مُقدِّر ثابت واحد. فأداؤها يعتمد على التشغيل المحدد المختار. ويزعم المؤلفون أن الحساسية التي أبلغ عنها سابقاً تجاه الوفيات/التسرب المتفاوت ليست خاصية عالمية لطريقة PERR، بل هي خاصة بمُقدِّر $PERR_{Prev}$ .

تخلص الدراسة إلى أن $PERR_{Comp}$ ، الذي يستخدم حصرياً بيانات المكتملين، يوفر تقديرات غير منحازة لتأثير العلاج ما لم تكن الوفاة أو التسرب متأثرة مباشرة بالحدث السابق. وعندما يؤثر الحدث السابق على الوفاة، لا يزال $PERR_{Comp}$ يقدم خفضاً كبيراً في الانحياز مقارنة بالمُقدِّر التقليدي. ويحافظ المؤلفون على نطاق متواضع، مشيرين إلى أنه بينما توضح هذه النتائج أداء PERR للنتائج الثنائية، فإن مزيداً من الاستقصاء مطلوب لتحديد كيفية تطبيق هذه المواصفات على نتائج معدل الأحداث.

خدعة المحقق (كيف تعمل طريقة PERR)

المشكلة: لغز "الانسحاب"

الخلاصة الكبرى

أبحاث مشابهة