USO DEL PROPENSITY SCORE COMO

HERRAMIENTA PARA MEJORAR LA

POTENCIA ESTADÍSTICA EN ESTUDIOS

HOSPITALARIOS.

Pedro Antonio de la Rosa Fernández-Pacheco

MIR-4 Medicina Preventiva y Salud Pública

Unidad Docente de Medicina Preventiva y Salud Pública de Navarra

Situación de la investigación en MIRs

• Gran presión laboral/asistencial: limitado tiempo para

trabajo de campo: bases de datos pequeñas

• Bases de datos de diversos servicios fundamentalmente

observacionales: sesgos

• Escaso tamaño muestral: poca potencia estadística.

• Típicos estudios:

• Estudios descriptivos: encuestas de satisfacción, prevalencias, etc.

• Estudios analíticos sobre efectividad de un tratamiento

• No significativos por poco tamaño muestral: no publicables

• Estudios multicéntricos, si tienen suerte…

¿Qué tratamiento elegirá?

• Ensayos Clínicos Aleatorizados:

• Controlan factores de confusión conocidos y

desconocidos

• Estudios observacionales

• Sometidos a confusión y sesgos

¿ ?

Maneras de controlar confusión

• Regresión:

• Permite ajuste multivariable

• Ajustar por demasiadas variables puede comprometer resultados

• Estratificación

• Se pierde potencia estadística

• Complicado estratificar por varios factores de confusión

• Otros: Índice de propensión

• Permite ajustar por muchas variables simulando aleatorización

• Puede controlar parcialmente sesgos de inclusión.

• No ajusta por factores de confusión desconocidos.

Propensity Score

• Posibilidad de que un participante sea incluido en un

grupo de tratamiento o en otro en función de otras

variables.

Density

0 1 Propensity score

Region of common support

Density of scores for

participants

High probability of participating given X

Density of scores for non- participants

Pasos para ajustar por Prop Sc.

1. Necesidad de datos representativos y comparables

para grupos de tratamiento

2. Usar un modelo de regresión logística para estimar

propensión a formar de un grupo u otro en función de

otras variables

3. Crear el Propensity Score de los valores predichos por

el modelo de regresión logística.

• 0-1

• 0: 100% de no recibir un tratamiento X

• 1: 100% de sí recibir un tratamiento X

• predict (STATA), create predicted values (SPSS)

Probabilidad de tratamiento según

variables seleccionadas

_cons 10.34058 28.80144 0.84 0.402 .0440259 2428.742

cardiopatia 1.033704 1.029055 0.03 0.973 .1469005 7.273937

diabetes 1.178056 1.292798 0.15 0.881 .1371066 10.12218

fontainepre .5499491 .3484369 -0.94 0.345 .1588612 1.903825

tasctotal 1.063534 .4988906 0.13 0.896 .4240954 2.667101

stentfspopl~o Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]

Log likelihood = -13.59335 Pseudo R2 = 0.0382

Prob > chi2 = 0.8974

LR chi2(4) = 1.08

Logistic regression Number of obs = 23

. logistic stentfs tasct fontainepre diab cardiop

Creamos la el índice según la Y de la

ecuación de la regresión

end of do-file

.

(option pr assumed; Pr(stentfspopliteo))

. predict propensity

Estratificamos el índice de propesión en

cuantiles (por ejemplo: 3) . xtile propensity3= propensity, nq(3)

Realizamos el análisis estratificando por

los cuantiles del índice de propensión

Stratified by propensity3

fumador 2.523577 3.587748 0.65 0.515 .1555501 40.9414

fontainepost 2.901779 4.15097 0.74 0.456 .1758036 47.89618

nuevotasct 2.096103 .9555162 1.62 0.104 .8578066 5.121957

edad 1.056061 .0739245 0.78 0.436 .9206714 1.21136

sexo .2897663 .3370855 -1.06 0.287 .0296377 2.833033

stentfspopl~o .0653005 .0905887 -1.97 0.049 .004306 .9902702

_t Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]

. stcox stentfs sexo edad nuevotasct fontainepost fum , strata(propensity3)

¿Qué hemos hecho con todo esto?

• Simular una aleatorización, al realizar estratos en los que

todos los participantes tienen la misma posibilidad de

recibir un grupo de tratamiento u otro según nuestras

variables. Es como una “aleatorización a posteriori” • Ensayos Clínicos Aleatorizados:

• Estudios observacionales con índice de propensión

¿Qué variables empleo?

• Actualmente es un tema en discusión

1. Todas las variables

2. Las variables que influyan en la exposición

3. Las variables que influyan en el desenlace

4. Las variables que influyan en ambas

• Se acepta variables con una p<0.100 para el factor de estudio

(el objetivo del índice de propensión no es ver qué variables se

asocia al tratamiento, sino usar esas variables para ajustar

mejor. Por eso usamos intervalos mayores)

Ejemplo 1:

Comparación de la supervivencia de pacientes con hepatocarcinoma e invasión portal tratados con sorafenib o radioembolización

• Estudio multicéntrico en 4 hospitales. 73 pacientes

• Problema: pacientes con sorafenib suelen ser los más graves en función a muchas variables, y eso repercute también en supervivencia.

• Se emplea modelo de regresión de cox estratificando por índice de propensión

• Índice de propensión: diámetro, ehd, bilirrubina, inl, clip

Regresión de COX SIN índice de propensión.

Variable HR p

Tratamiento con RE 0,49 0,018 Edad 1,01 0,367 Sexo (Mujer) 0,91 0,9 ECOG 1 1,56 0,195 ECOG > 2 2,87 0,016 Bilirrubina 2,39 0,011

Regresión de COX. CON índice de propensión

Variable HR p

Tratamiento con RE 0,37 0,006 Edad 1,01 0,308 Sexo (Mujer) 0,95 0,888 ECOG 1 1,66 0,163 ECOG > 2 3,25 0,011 Bilirrubina 2,80 0,004

Ejemplo 2:

• ¿La cirugía endovascular en sector fémoro poplíteo ó distal puede condicionar la posterior realización de un bypass distal?

• Estudio restrospectivo. 23 pacientes.

• Valora indicación de bypass proximal vs distal en pacientes con intervención previa (angioplastia o stent) que ha fracasado.

• Problema: Stent suele elegirse para pacientes con enfermedad vascular proximal.

Características de los pacientes

Tratamiento Stent ATP distal

Sexo (Mujeres) 37,5 57,1 0,382 Edad 1,01 0,367 0,815 Hipertensión 87,5% 85,7% 0,907 Fumador 68,8% 57,1% 0,591 Diabetes 75% 71,4% 0,858 Dislipemia 81,3% 85,7% 0,795 Insuf. renal crónica 25% 42,8% 0,392 Comorbilidad 68,8% 71,4% 0,898 Cardiopatía 50% 42,9% 0,752 Obesidad 31,3% 42,9% 0,591 TASC femoropóplíteo 2 31,25% 68,6%

0,016 TASC femoropoplíteo 3 28,6% 28,6%

• Índice de propensión: TASC distal y proximal previo, Fontaine previo, diabetes, cardiopatía, tabaco

Regresión de COX SIN índice de propensión.

Variable HR p

Stent femoropopliteo 0,15 0,058 Sexo (Mujer) 0,38 0,410 Edad 1,09 0,304 TASC proximal y distal 1,43 0,298 Fontaine 7,22 0,133 Fumador 1,49 0,696

Regresión de COX SIN índice de propensión.

Variable HR p

Angioplastia distal 0,10 0,036 Sexo (Mujer) 0,31 0,319 Edad 1,06 0,441 TASC proximal y distal 1,89 0,124 Fontaine 4,23 0,296 Fumador 1,61 0,657

Ventajas del Índice de Propensión

• Controla confusión de estudios hospitalarios por

variables clínicas, presentes en todos los hospitales

• Permite disminuir tamaños muestrales necesarios.

• “Estadísticamente fácil de calcular”

Desventajas

• Selección de variables en discusión

• Sólo controla por factores de confusión conocidos.