A Causal Survival Analysis Approach for Multi-Level Health Data
Multi-level time-to-event data are common in health research, especially in observational studies using electronic health records or administrative data. Causal inference techniques can allow us to quantify treatment effects from observational data, but despite extensive literature on causal approaches for time-to-event and multi-level data individually, methods for the combination remain underdeveloped. Motivated by this methodological gap, we design estimators for both clustered and marginal counterfactual survival functions by extending a combination of propensity score weighting and inverse probability of censoring weighting to multi-level data. Our proposed estimators are evaluated through simulation with an emphasis on performance under different clustering scenarios, robustness to misspecified propensity score and censoring score models, and varying propensity score weighting schemes. We lastly provide a R tutorial to demonstrate our approach with a real-world clinical example.
Une approche d'analyse de survie causale pour les données de santé multiniveaux
Les données temporelles multiniveaux sont courantes dans la recherche sur la santé, en particulier dans les études d'observation utilisant des dossiers médicaux électroniques ou des données administratives. Les techniques d'inférence causale peuvent nous permettre de quantifier les effets du traitement à partir des données d'observation, mais malgré une littérature abondante sur les approches causales pour les données temporelles multiniveaux prises individuellement, les méthodes pour la combinaison de ces deux types de données restent peu développées. Motivés par cette lacune méthodologique, nous concevons des estimateurs pour les fonctions de survie contrefactuelles groupées et marginales en étendant une combinaison de pondération par le score de propension et de pondération par la probabilité inverse de censure aux données multiniveaux. Les estimateurs proposés sont évalués en simulation en mettant l'accent sur les performances dans différents scénarios de regroupement, la robustesse aux modèles de score de propension et de score de censure mal spécifiés, et les différents schémas de pondération du score de propension. Enfin, nous fournissons un tutoriel R pour démontrer notre approche à l'aide d'un exemple clinique réel.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English