Real-world performance of large-scale propensity score adjustment strategies: Matching, weighting, and stratification

Resumen Técnico: Rendimiento en el mundo real de las estrategias de ajuste de puntuación de propensión a gran escala

Planteamiento del problema
Los estudios observacionales utilizan cada vez más datos a gran escala (millones de pacientes, decenas de miles de covariables) para estimar efectos de tratamiento, empleando frecuentemente modelos de Puntuación de Propensión a Gran Escala (LSPS, por sus siglas en inglés). Aunque se ha demostrado que los modelos LSPS mejoran el equilibrio de las covariables y el ajuste del modelo mediante la regresión regularizada, existe una notable falta de evidencia empírica sobre cómo diferentes estrategias de ajuste de la puntuación de propensión (PS) se desempeñan en estos contextos de gran escala y del mundo real. Específicamente, no está claro si la inclusión de un número masivo de covariables altera la elección óptima entre las estrategias de ajuste comunes: emparejamiento (matching), estratificación e inversión de la probabilidad de tratamiento (IPTW). Los benchmarks previos han arrojado resultados contradictorios, sugiriendo algunos que el IPTW rinde por debajo del emparejamiento, mientras que otros favorecen al IPTW para el control del sesgo.

Metodología
Los autores llevaron a cabo el "Estudio de Rutas de Ajuste de la Puntuación de Propensión para Análisis de Efectos de Tratamiento" (SPARTA), una evaluación empírica sistemática y a gran escala utilizando datos del mundo real de cuatro bases de datos nacionales de salud federadas (que abarcan más de 11 millones de pacientes).

• Diseño del estudio: Se empleó un diseño de cohorte de nuevo usuario comparativo, centrándose en monoterapia de primera línea para la hipertensión. El estudio evaluó 12 comparaciones de tratamientos distintas (a nivel de fármaco y de clase) frente a 160 resultados de control negativo (donde el efecto del tratamiento es conocido como cero) y 3 controles positivos sintéticos por cada control negativo.
• Modelado de PS: Se ajustaron modelos LSPS utilizando regresión logística con regularización $\ell_1$ con aproximadamente 12,000 covariables por modelo, cubriendo demografía, antecedentes médicos, exposiciones a fármacos y utilización de servicios de salud. Las variables instrumentales fueron cribadas y eliminadas basándose en la correlación univariante con el tratamiento.
• Estrategias de ajuste evaluadas:
  • Emparejamiento (Matching): Razones fijas (1:1, 1:5, 1:25) y emparejamiento de razón variable (VR) con un calibre de 0.2 desviaciones estándar.
  • Estratificación: Agrupación de pacientes en 5 y 25 estratos.
  • IPTW: Se probaron tres variantes:
    1. IPTW (Crump): Recorte (trimming) del 10% superior e inferior de la distribución de la PS independientemente de la asignación del tratamiento.
    2. IPTW (Stürmer): Un método de dos pasos que elimina las regiones sin solapamiento y luego recorta a los pacientes más contrarios.
    3. Ponderación de solapamiento (Overlap Weighting): Sobreponderación de los pacientes en la región de mayor solapamiento de la PS.
• Métricas de evaluación: El rendimiento se evaluó mediante el Error de Tipo-I (tasa de falsos positivos), el Error de Tipo-II (tasa de falsos negativos), la precisión media, el error cuadrático medio (MSE) y la diferencia media estandarizada absoluta máxima (SMD) para el equilibrio de las covariables.
• Calibración: Se aplicó un procedimiento de calibración empírica a todas las estimaciones para ajustar los valores p y los intervalos de confianza basados en la distribución observada de los efectos de los controles negativos, con el fin de capturar tanto el error aleatorio como el sistemático.

Resultos clave

• Equilibrio y Sesgo: En todas las especificaciones del modelo, el IPTW con recorte de Crump y el emparejamiento 1:1 lograron consistentemente el equilibrio de covariables más fuerte (SMD < 0.1) y las tasas de Error de Tipo-I más bajas. El IPTW (Stürmer) se desempeñó deficientemente en todas las métricas, exhibiendo el Error de Tipo-I más alto y no logrando un equilibrio adecuado. La estratificación mostró resultados mixtos, logrando el equilibrio en ocasiones, pero a menudo a costa de un mayor Error de Tipo-I.
• Precisión y MSE: Aunque varios métodos lograron un equilibrio similar, el emparejamiento 1:1 demostró la mayor precisión y el MSE más bajo en muchos escenarios. Curiosamente, aumentar las razones de emparejamiento (por ejemplo, 1:25 o razón variable) no mejoró consistentemente la precisión y, en ocasiones, introdujo varianza, probablemente debido al emparejamiento de pacientes menos similares y al costo estadístico de los modelos de resultados condicionales.
• Impacto de la Calibración: La calibración empírica redujo significativamente las diferencias de rendimiento entre las estrategias. Tras la calibración, las tasas de Error de Tipo-I y Tipo-II, la precisión y las métricas de equilibrio convergieron en la mayoría de los métodos, lo que sugiere que la calibración puede mitigar la sensibilidad de los resultados a la elección específica de la estrategia de ajuste.
• Variabilidad de la base de datos: El rendimiento varió ligeramente según el tamaño y la composición de la base de datos. Por ejemplo, las razones de emparejamiento más grandes (1:25) superaron ocasionalmente al emparejamiento 1:1 en bases de datos específicas de gran tamaño (MDCR, Optum EHR), pero el emparejamiento 1:1 siguió siendo una opción robusta por defecto.

Contribuciones clave

1. Benchmarking Empírico: El estudio proporciona la primera comparación sistemática y a gran escala de las estrategias de ajuste de PS (emparejamiento, estratificación y múltiples variantes de IPTW) utilizando datos del mundo real con modelos LSPS a través de cuatro bases de datos de salud principales.
2. Diferenciación de las variantes de IPTW: El artículo aclara que no todos los métodos de IPTW son iguales; identifica el recorte de Crump y la ponderación de solapamiento como altamente efectivos, mientras demuestra que el recorte de Stürmer es subóptimo en entornos de gran escala debido a la eliminación de la región de solapamiento de la PS.
3. Validación de la Calibración: El trabajo valida empíricamente que la calibración efectiva estandariza el rendimiento entre diferentes estrategias de ajuste, reduciendo la sensibilidad de las estimaciones del efecto del tratamiento a la elección específica del modelado de PS.
4. Guías Prácticas: Los autores proporcionan recomendaciones basadas en datos para los investigadores, desafiando la noción de que una sola estrategia es universalmente superior.

Significancia y Reivindicaciones
El artículo sostiene que, si bien ninguna estrategia domina en todos los entornos, el IPTW con recorte de Crump y el emparejamiento 1:1 sirven como opciones sólidas por defecto para el ajuste de PS a gran escala, ofreciendo un equilibrio favorable entre el control del sesgo y la precisión. Los autores enfatizan que los investigadores no deben confiar en un solo método, sino incorporar las estrategias de mejor rendimiento como análisis de sensibilidad. Además, el estudio aboga firmemente por el uso rutinario de la calibración empírica para reducir el impacto de la elección del modelo en las conclusiones del estudio. Los hallazgos sugieren que la elección de la estrategia de ajuste debe guiarse por el contexto específico del estudio, validarse mediante diagnósticos de equilibrio de covariables y que la inclusión de muchas covariables no impide la efectividad de las técnicas de ajuste estándar cuando se implementan correctamente.