Impact of community asymptomatic rapid antigen testing on covid-19 related hospital admissions: synthetic control study

Ein Überblick über eine synthetische Kontrollmethodik: ein kausales Inferenzwerkzeug zur Bewertung natürlicher Erfahrungen in einer gesunden Bevölkerung

  1. BenBarLehrstuhl für Angewandte Gesundheitsforschung1Und die
  2. Xingna ChangAssoziierter Forscher1Und die
  3. Markieren Sie GrünDer Reader in der Gesundheitsgeographie2Und die
  4. Ian BuchanLehrstuhl für Public Well being und Klinische Informatik1

  1. 1Abteilung für öffentliche Gesundheit, Politik und Systeme, Universität Liverpool, Liverpool, Vereinigtes Königreich

  2. 2Institut für Geographie und Planung, College of Liverpool, Liverpool, UK
  1. Korrespondenz mit: Anna Buchan Buchan {at} Liverpool.ac.uk

Interventionen in Notfällen wie der COVID-19-Pandemie erfordern möglicherweise schnelle unterstützende Beweise. Randomisierte Studien in diesen Situationen sind oft unpraktisch in Design oder Durchführung. Eine Methode zur Abschätzung der kausalen Wirkung einer Intervention anhand von Beobachtungsdaten ist die Methode der synthetischen Kontrolle. Dieser Artikel beschreibt die Methode, ihre Annahmen und die Interpretation von Finest Practices und Anwendung.

kausale Wirkung

Ein kausaler Effekt ist definiert als der Unterschied zwischen dem, was in einer beobachteten Inhabitants passiert ist, die die Intervention erlebt hat, und dem, was ohne sie passiert wäre. Zwei different Situationen werden verglichen – eine, in der die Intervention stattgefunden hat, und eine, in der dies nicht der Fall struggle.1 Kausale Methoden verwenden Informationen über die Gruppen, die die Intervention nicht erlebt haben, um zu versuchen, dieses Kontrafaktische zu simulieren. Experimente können Randomisierung verwenden, um dieses Kontrafaktum abzuschätzen. Wo Experimente unpraktisch sind, können andere kausale Methoden die beobachteten Merkmale von Intervention, Kontrolle und Subpopulationen nutzen, um abzuschätzen, was ohne die Intervention passiert wäre – die synthetische Kontrollmethode (SCM) ist ein solcher Ansatz.

synthetische Kontrollmethode

Der SCM vergleicht die Ergebnisse einer Intervention in einer bestimmten Inhabitants mit einer künstlichen Kontrollgruppe, die die Intervention nicht erfährt, aber ähnliche Merkmale wie die Interventionspopulation aufweist. Ein Vorfahre der SCM wählte die Kontrollgruppe aus und schätzte dann den Effekt, indem er die Veränderung der Ergebnisse vor der Intervention gegenüber den Ergebnissen nach der Intervention zwischen der Interventions- und der Kontrollgruppe subtrahierte – ein Differenz-von-Unterschied-Ansatz. Wenn zeitliche Tendencies bei den Ergebnissen ohne die Intervention gruppenübergreifend parallel verfolgt werden können, dann ist die aus dem Differenz-von-Differenzen-Ansatz abgeleitete Schätzung eine unvoreingenommene Schätzung der kausalen Wirkung der Intervention. Aber diese Annahme von parallelen Ergebnisverläufen basiert auf der Auswahl der richtigen Kontrollgruppe, daher wurde SCM als Verallgemeinerung des Differenz-von-Differenzen-Ansatzes eingeführt, um Verzerrungen bei der Auswahl dieser Kontrollgruppe zu reduzieren.2 Die Autoren schlugen eine Gewichtung potenzieller Controller (die Untergruppen, die die Kontrollgruppen umfassen) vor, so dass der gewichtete Durchschnitt der Ergebnisse und Confounder während des Zeitraums vor der Intervention den Verlauf des Ergebnisses und anderer Merkmale in der Interventionspopulation nachahmt. Die Differenz der gewichteten Ergebnisse nach der Intervention zwischen dieser synthetischen Kontrollgruppe und der Interventionsgruppe ermöglicht eine Schätzung der Wirkung der Intervention. Um die optimalen Gewichte abzuleiten, werden verschiedene Methoden verwendet. Die meisten Studien mit SCM konzentrierten sich auf eine einzelne Behandlungseinheit (normalerweise ein geografischer Ort, z. B. eine Stadt), an der die Intervention durchgeführt wurde, und leiteten Gewichte für die anderen Einheiten ab, an denen die Intervention nicht stattfand, um Unterschiede vor der Intervention zwischen der Interventions- und der Kontrollgruppe zu verringern. Ein anderer Ansatz wurde auf mehrere Interventionseinheiten ausgedehnt, wie z. B. kleine Nachbarschaften oder Volkszählungsräume.34 Wir haben diesen synthetischen Kontrollansatz auf Mikrodaten in der Liverpool Covid-19 Neighborhood Take a look at Pilot Evaluation (doi: 10.1136/bmj-2022-071374) angewendet.5

Wann und wie wird SCM eingesetzt?

SCMs eignen sich am besten für die Bewertung von Interventionen auf Bevölkerungsebene unter Verwendung eines Panels von Daten, die über ähnliche Einheiten hinweg aggregiert werden. Dies liegt daran, dass SCM kontinuierliche, sequentielle Daten zu konsistenten, regelmäßigen Zeitpunkten mit endlichen zufälligen Schwankungen im Laufe der Zeit erfordert.6 SCM kann unter Verwendung von aggregierten Daten angewendet werden, wenn keine Daten auf individueller Ebene verfügbar sind (z. B. zur Wahrung der Privatsphäre). Vor der Intervention sollte in keiner Gruppe ein größeres Ereignis oder eine Intervention stattgefunden haben, und die Intervention sollte nicht in die synthetische Kontrollgruppe „durchsickern“. SCM erfordert traditionell einen separaten Zeitpunkt für den Beginn einer Intervention, obwohl sich überschneidende Interventionen berücksichtigt werden können.7

Antrag auf Aktionsforschung für das Covid-19-Virus

Während eines Notfalls im Bereich der öffentlichen Gesundheit wie der COVID-19-Pandemie müssen politische Entscheidungen schnell auf der Grundlage unvollständiger Beweise getroffen werden. Neue Interventionen müssen schnell evaluiert werden. Obwohl potenzielle Szenarien auf der Grundlage des aktuellen Wissens und der aktuellen Annahmen simuliert werden können, muss die rückblickende Bewertung durch reale Daten gestützt werden, sofern verfügbar. Politische Interventionen schaffen natürliche Erfahrungen, die bewertet werden können, um die nächsten Schritte in Reaktionen zu leiten. Ein begrenzter Zugang zu ausreichend genauen Daten kann diese wichtigen schnellen Bewertungen beeinträchtigen, und SCM ist nützlich, um kausale Informationen aus Daten zu maximieren, die für einen kleinen Bereich gesammelt wurden, der möglicherweise leichter verfügbar ist. Die Reaktion des Vereinigten Königreichs auf Covid-19 hat zu vielen natürlichen Experimenten mit potenziell wichtigen Erkenntnissen für zukünftige Notfälle im Bereich der öffentlichen Gesundheit geführt. Bei der Unterstützung lokaler und nationaler Reaktionen auf Covid-19 haben wir SCM implementiert, um die Auswirkungen abgestufter Beschränkungen zu bewerten.8 Bewertung der Wirksamkeit von Aktivitäten zur Sensibilisierung für Impfungen,7 und die weltweit erste Studie eines asymptomatischen Antigen-Schnelltests für Freiwillige, wie in der dazugehörigen Veröffentlichung berichtet (doi: 10.1136/bmj-2022-071374).5910

Probleme mit Interpretation und Voreingenommenheit

Die kausale Inferenz unter Verwendung von SCM geht davon aus, dass Unterschiede, die das Ergebnis außer der Intervention beeinflussen könnten, zwischen der Interventions- und der Kontrollgruppe berücksichtigt wurden (d. h. minimale Verwirrung). Durch die Gewichtung von Controllern und Regionen, um Interventionseinheiten im Zeitraum vor der Intervention zu entsprechen, passt der SCM beobachtete und unbeobachtete Confounder an, vorausgesetzt, dass diese Confounder die gleiche Wirkung auf die Ergebnisse in den Interventions- und Kontrollgruppen hatten und sich in der Intervention und Kontrolle ähnlich entwickelt haben Gruppen nach der Intervention. Die Gewichtung könnte zusätzliche Kovariaten umfassen, die Ergebnisse nach der Intervention ohne Intervention vorhersagen, und dies könnte die kausale Inferenz verbessern.6 Die Relevanz von Kovariaten kann bewertet werden, indem sie in kausalen grafischen Methoden visualisiert werden, die Expertenwissen oder frühere Beweise widerspiegeln. Die kausale Interpretation der SCM kann durch Ereignisse im Beobachtungszeitraum nach der Intervention beeinflusst werden, die sich unterschiedlich auf die Interventions- und Kontrollgruppe auswirken. Andere mögliche Verzerrungen umfassen die Erwartungseffekte von Interferenz und Kontamination (erweitert) für die Kontrollgruppe. Herkömmliche Methoden zur Messung der Unsicherheit von Interventionseffekten werden in SCM aufgrund von Beschränkungen der Gewichte nicht verwendet. Stattdessen werden Konfidenzintervalle und P-Werte mithilfe von Placebo-Permutationen generiert, sodass die Analyse durch mehrere Iterationen wiederholt wird, wobei der Interventionsgruppe zufällig Controller zugewiesen werden, um die Stichprobenverteilung des Behandlungseffekts abzuschätzen.4

Fazit

Wenn randomisierte Studien unpraktisch sind, ist SCM ein leistungsfähiges kausales Instrument zur Bewertung normalisierter Studien. Unabhängig davon, ob es um die Bewertung des Einsatzes öffentlicher Gesundheitspolitik außerhalb von Notfällen oder um Modelle dringender Reaktionen der öffentlichen Gesundheit während einer Pandemie geht, SCM bietet wichtige methodische Vorteile gegenüber anderen beobachtenden Forschungsmethoden. In sich schnell entwickelnden Situationen wie Epidemien können mithilfe von SCM Daten aus kleinen Gebieten genutzt werden, um die Auswirkungen dringender Maßnahmen im Bereich der öffentlichen Gesundheit zu verstehen. Wir fördern daher den Austausch von Daten aus kleinen Gebieten und die Verwendung von SCM, um das Verständnis von Interventionen auf Bevölkerungsebene zu verbessern.

Hauptmerkmale synthetischer Kontrollmethoden

  • Ein wichtiges kausales Inferenzwerkzeug, wenn Zufälligkeit unpraktisch ist

  • Intestine für die Bewertung von Interventionen auf Bevölkerungsebene unter Verwendung von Daten, die von Kontroll- und Interventionseinheiten (z. B. Nachbarschaften) gesammelt wurden

  • Es kann auch verwendet werden, wenn nur eine Einheit Störungen empfängt

  • Der Kontrollsatz ist als gewichteter Satz potentieller Kontroller konstruiert

  • Das könnte einen Teil der beobachteten und unbeobachteten Verwirrung erklären

  • Sie können sofort verwendet werden, um dringende Interventionen im Bereich der öffentlichen Gesundheit zu bewerten

Dank und Anerkennung

BB und XZ sind die gemeinsamen Erstautoren.

Verweise

  1. Chang X, Tulloch J, Nutt S, et al. Bewertung der Wirkung der Verwendung mobiler Impfeinheiten zur Steigerung der Aufnahme von COVID-19-Impfungen: eine künstliche Kontrollanalyse von Cheshire und Merseyside, Großbritannien. Sozialwissenschaftliches Forschungsnetzwerk, Rochester, NY, 2022. doi:10.2139/ssrn.4018689.

#Ein #Überblick #über #eine #synthetische #Kontrollmethodik #ein #kausales #Inferenzwerkzeug #zur #Bewertung #natürlicher #Erfahrungen #einer #gesunden #Bevölkerung

Leave a Comment

Your email address will not be published. Required fields are marked *