国际临研曾经分享过一篇学员发表国际顶刊的辛路历程的介绍，引起了很多共鸣，也带给大家很多启发和思考：

回顾真实世界研究发表国际顶刊的要点：

一、立意是否新颖？你的研究是否可以解决RCT没有回答或者不合适回答的问题，最终可以指导临床实践？

二、你的研究数据从何而来？如何不会被质疑数据的真实性？

三、我们要做的是“顶层设计”下的临床研究。

四、选择合适的统计分析方法来处理数据缺失和混杂因素的问题。

五、出现了数据缺失后，你的样本量还足够吗？

六、如何判断你的研究结果的可靠性？

本期，我们将聚焦要点四：通过学习PSM、IPTW等统计分析方法的优劣势和应用场景，识别研究的数据特征，找到合适的分析方法来处理真实世界研究中混杂因素和数据缺失的问题，课程内容源自《真实世界研究方法实操训练营》模块一。

授课导师：罗晟教授（美国杜克大学医学中心生物统计系正教授）

罗晟教授推荐阅读文献：2017年发表在JCC(心血管领域的医学期刊)的文章。

文章列举了四个真实世界研究案例，分别是：CHARM研究、ADAPT-DES研究、THIN研究、PROMETHEUS研究。

每个研究都采用多种分析方法进行混杂因素的调整，通过分析结果的对比，综合考虑这些统计分析方法的适用性以及研究结论的可靠性。

图1：PS分布图

图2：多种方法调整混杂因素结果对比图

图3：IPW权重分布图

A研究和B研究的数据是相对比较理想的，我们通过观察得出以下结论:

A：CHARM研究：

该研究没有非常极端的倾向性评分（即：没有靠近0或者1的倾向性评分，数据集中在0.2~0.8之间）且倾向性评分数据的分布有较好的overlap，这是非常理想的状态。

推荐方法：多种分析方法调整混杂因素，得出的结论较为一致。

B：ADAPT-DES研究：

1、试验人数有8580之多，治疗组和对照组人数比较接近；

2、发生的事件数很少，治疗组36个事件数，对照组是20个事件数；

推荐方法：Matching、IPTW、Propensity as covariate

罗晟教授：在事件数比较少的情况下，尽量不选Stratification（分层）的方法调整混杂因素。

C研究和D研究的数据是非理想状态，我们通过观察得出以下结论:

C：THIN研究：

1、样本量很大，事件数也很多（对照组13533个事件数，治疗组是3763个事件数）

2、poor overlap of PS between treatment and control

3、PS的分布有很大比例趋向于极值（即小于0.1，或大于0.9）

推荐方法：Matching，Stratification，Propensity as covariate

罗晟教授：这些红线千万不要踩

D：PROMETHEUS研究：

1、对照组15587人（1368个事件数），治疗组4017人（212个事件数），35个变量

2、poor overlap of PS between treatment and control

3、该研究的PS分布图（图1）中，治疗组的PS靠近0的占比很高

推荐分析方法：Matching、Covariate adjustment、Stratification、Propensity as covariate。

那么，如何判断我们选择的这些分析方法是正确的呢？我们补充一组图表后再作判断。 

A图是该研究没有经过处理的数据集，横轴是绝对标准差(Absolute Standardized Difference，ASD)，ASD越大,表示两个组的差别越大，ASD在0.1以内，则表示这两个组的差别比较小，是可以被接受的。

B图是使用Matching方法调整后的结果：所有的混杂因素都控制在0.1以内，调整效果非常好。

C图是使用Stratification方法调整后的结果：很多变量的值在0.1左右，其中Previous PCI越过了0.1。

D图是使用了IPTW的方法调整后的结果：图中，我们看到Previous PCI的值越过了0.2。

经过这组图表的补充，原先认为可行的Stratification方法被排除，我们听听罗教授在训练营的精彩讲解：

总结：

一、选择合适的统计分析方法调整混杂因素，本期推文中所涉图表均须绘制

二、推荐阅读这篇JCC文献，文中对各类方法的优缺点作了评估，可供借鉴

三、报名参加国际临研《真实世界研究实操训练营》

课程推荐

添加小编微信