Circulation：利用工具变量等统计方法做复杂的医疗决策
2020-07-16 MedSci原创 MedSci原创
许多医学和健康科学研究的目的是确定治疗或干预措施对健康结果的因果关系，而研究因果关系最强有力的证明往往要通过随机对照试验（Randomized Clinical Trials）来实现。而实际情况是，临
许多医学和健康科学研究的目的是确定治疗或干预措施对健康结果的因果关系，而研究因果关系最强有力的证明往往要通过随机对照试验（Randomized Clinical Trials）来实现。而实际情况是，临床上总存在着各种各样道德或实践的客观约束，最终导致研究者不可能进行随机对照。因此很多情况下研究者不得不使用观察性研究（Observational studies）来侧面佐证因果关系。 Causaility evidence strength by study types (picture modified from internet) 观察性研究有效性的主要挑战之一是无法测量的混杂因素（Unmeasured confounding ）的存在（如某些在治疗前、治疗组和对照组之间存在无法量化的差异），这也极大地影响着因果验证的结果。统计学上，我们经常用工具变量分析（Instrumental Variable Analysis）这种方法来控制未测混杂因素。这种类型的分析需要找到合适的工具变量，这种工具变量（i）与未测量
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
学习了
55
学习了！
73
学习了
99
666
99
#医疗决策#
31
#决策#
23
#统计方法#
47
这一发现也冲击了传统的肥胖和帕金森关系的认知。
98