隨機分派對照實驗(Randomized Control Trail)是個理想的實驗設計，為什麼理想，因為能夠將實驗組與對照組的基礎值分布的相近似 (也就是沒有統計學差異，不可以一邊男生多、另一邊女生多等)。但這樣的研究設計並不是想要隨時都有，有時礙於時間、金錢與倫理等現實考量，許多研究以觀察性研究(Observational study, OS)進行，但，此研究方法納入的族群，於實驗組與對照組中，其年齡、性別比、身高體重指數、先前醫療史等可能有所不同，這樣的基礎值差異，可能會影響到研究結果的呈現，而這些可能影響最後結果的項目稱為干擾因子(Confounding factor)。有鑑於此，研究學者希望藉由方法學去處理這些組間相異的基礎值，發展出了傾向分數(Propensity score, PS)的概念，並且透過篩選與配對(Matching)，媒合了兩組間相近的基礎值，降低干擾因子所造成的結果影響。筆者將重點置於原理介紹，期許讀者有基礎的認知。
於臨床醫學研究中，諸多因子可能導致醫療處置介入的結果有所差異，例如吸菸者可能影響某些藥物的代謝作用，進而導致吸菸患者與未吸菸患者，即使投與相同劑量藥物，也會導致結果不同，尤以觀察性研究常遇見兩組間的干擾因子分布不同，造成結果產生的干擾。
PS為是否應該接受介入的估計機率值，其介於0~1之間，此乃藉由邏輯斯回歸分析(Logistic regression)納入可能的干擾因子為共變數所的到。在樣本數足夠且隨機分配的情況下，實驗組與對照組之個體PS應皆為0.5，但在觀察性研究中，實驗組與對照組之PS為介於0~1之分佈曲線，且兩者通常不會相同。
傾向分數主要是要營造實驗組與對照組間的共變數分布相近，以達到類似RCT的情境，使其產生的結果具有公平性，通常利用logistic regression進行模型分析，使其每個個案得到一個PS數值，接著，利用這樣的數值進行配對(Matching)，能夠大幅降低兩組間的基礎值分布差異，例如2013年JAMA刊登的Association of Perioperative beta-Blockade With Mortality and Cardiovascular Morbidity Following Major Non-cardiac Surgery就是個典型的例子，其原始資料的兩組間差異，隨著利用PS的matching就大幅消失了兩組的差異。
留言列表
