Performance of prior event rate ratio method in the presence of differential mortality or dropout
本研究通过证明虽然传统估计量在各种差异性死亡率和失访情景下仍存在偏差，但使用仅包含完成者的替代估计量（PERR_Comp）能显著降低偏差，且除非死亡率或失访直接受先前事件影响，否则能提供无偏估计，从而扩展了以往关于先验事件率比（PERR）方法的研究。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你是一名试图弄清楚一种新药是否真的有效的侦探。你查看了患者的真实世界记录，但问题在于，有些患者在开始治疗之前就已经比其他人更严重了。这种“病情程度”是一个隐藏的线索（混杂因素），使得很难判断究竟是药物起到了作用，还是仅仅因为这些患者天生就与众不同。
为了解决这个问题，研究人员使用了一个聪明的技巧，叫做先验事件率比（Prior Event Rate Ratio, PERR）。你可以把它想象成一种“前后对比”的照片对比，只不过是针对时间的。
侦探的技巧（PERR 如何运作）
PERR 方法不仅仅观察服用药物之后发生了什么，它还观察每个患者在两个时间段的情况：
- “之前”阶段： 他们服用药物之前的时间。
- “之后”阶段： 他们开始服用药物之后的时间。
该方法将治疗组（服药的人）与对照组（没服药的人）进行比较。它计算在“之后”阶段与“之前”阶段，事件（如生病）发生的频率之比。通过计算这两个比较的比率，该方法试图抵消掉在两个时间段中都存在的“隐藏线索”（混杂因素）。这就像是在说：“如果这一组在服药之前病情严重了两倍，而在服药之后仍然严重了两倍，那么说明药物并没有改变任何情况。”
问题：“退出”之谜
之前的一项研究警告说，如果人们开始以不同的速率退出研究（死亡或离开），这个技巧就会失效。他们声称，如果人们离开的原因既包含了他们的治疗，也包含了他们的隐藏病情以及过去的健康状况，那么 PERR 方法会给出错误的答案。
这篇论文说：“等一下，事情没那么简单。”
作者认为 PERR 方法不仅仅是一个单一的工具；它是一个工具箱。取决于你如何使用其中的工具，你可能会得到不同的结果。他们测试了使用 PERR 方法的两种特定方式：
“旧方法” (PERRPrev)： 这种方法使用所有人“之前”阶段的数据，但仅使用那些直到研究结束仍留在研究中的人在“之后”阶段的数据。
- 类比： 想象你在评判一场比赛。你在比赛的第一半统计了所有参赛的跑者，但在第二半，你只统计那些没有退赛的跑者。如果退出的人大多是跑得慢的人，那么你的最终评分就会出错。
- 结果： 作者证实，当人们因为复杂原因退出时，这种“旧方法”确实会产生偏差（错误）。
“新方法” (PERRComp)： 这种方法更加严格。它只观察那些在“之前”和“之后”两个阶段都完成了整个研究的人（完成者）。
- 类比： 这就像是在说，“我们只根据跑完整个马拉松的人来评判这场比赛。”对于在任何一个阶段退出的任何人，我们都视而不见。
- 结果： 这种方法要稳健得多。
- 如果人们是因为过去的健康状况或治疗而退出，这种方法仍然基本准确。
- 如果人们退出是专门因为他们在“之前”阶段所发生的事情（例如，如果在服药前生病导致他们退出了），这种方法会产生一点偏差，但这种误差仅为“旧方法”的三分之一左右。
- 如果人们退出的原因与他们的过去健康状况无关（纯属随机或由于治疗本身），这种方法会给出完全准确的答案。
核心结论
论文得出结论：PERR 方法并没有“坏掉”，它只是取决于你使用哪个版本。
- 如果你使用的版本混合了退出者和完成者的数据，那么当人们因复杂原因离开研究时，你可能会面临错误的风险。
- 如果你使用的版本只关注全程参与的人，你会得到一个更可靠的答案。只有当“过去生病这件事本身”成为了导致他们离开的原因时，它才会失效。
简而言之，作者是在告诉研究人员：“不要因为一种糟糕的情况就丢弃整个 PERR 方法。只需根据你的具体情况选择正确的工具版本，你依然可以获得真相。”
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。