新的研究揭示了卫生服务研究中使用的统计建模方法的缺陷
达特茅斯盖泽尔医学院和哈佛医学院联合进行的一项新研究的发现，发表在卫生服务研究，强调了卫生服务研究中常用的一种分析形式的统计缺陷，同时证明了另一种分析形式的好处。
“卫生服务研究的一个持续目标是了解医疗保健服务差异的原因，无论是在医生、医院还是地理区域之间，以及这种差异如何导致不同类型患者(由性别、种族或社会经济地位等特征定义)之间的医疗保健差异，”达特茅斯卫生政策和临床实践研究所教授詹姆斯·奥马利(James O'Malley)博士说生物医学数据科学他是这项研究的主要作者。
一个潜在的差异来源涉及个别医生，他们可能有意识或无意识地对不同类型的健康状况相似的患者做出不同的临床决策。
O’malley说，例如，为了帮助他们确定已确定的护理差异可能是由医生的决策引起的，还是由影响所有医生中特定患者群体的系统性因素引起的，研究人员使用统计建模，这有助于他们解释不确定性和变量，特别是小样例量。
他解释说:“但一些研究人员在分析中错误地使用了分层方法，这基本上涉及到运行单独的分析来估计每个医生对每种类型患者的治疗模式，然后根据这些估计计算相关性。”“这可能会低估护理模式的一致性，并可能导致关于护理差异和差异来源的错误结论。”
为了验证这一假设，研究小组收集了医疗保险索赔和登记资料数据急诊(ED)就诊情况(2012年1月至2015年9月)。这些数据包括患者特征、医院状况和负责决定患者住院的医生的身份，用于评估医生在不同患者类型中让患者入住急诊科的倾向。
使用三管齐下的调查，包括分析推导，模拟实验，以及来自激励研究的ED应用程序的索赔数据分析，研究人员将分层估计器与联合建模的估计器进行了比较，这种方法被认为更准确，但尚未广泛应用于卫生服务研究。
在急诊科应用程序的上下文中，联合建模同时分析来自所有患者的数据，并直接估计医生群体中不同患者类型的医生治疗模式的相关性。这充分利用了数据中的信息，并解释了每个医生对每种类型患者治疗的不确定性。
O'Malley说:“我们能够证明，联合建模方法的偏差远远小于分层方法，并且当样本量小而真实相关性大时(接近1，对应于高一致性)，联合建模的重要性变得更加明显。”
例如，研究小组发现，在联合模型下，女性和男性患者之间的医生入院倾向的估计相关性为0.98，但使用分层估计时仅为0.38(接近1的相关性被认为偏差更小，更准确)。同样，白人患者与非白人患者的比值为0.99 - 0.28，有保险患者与无保险患者的比值为0.99 - 0.31。
O’malley说，分层方法的不可靠性对试图确定不同类型的提供者(即医生和医院)在多大程度上导致医疗保健利用和结果方面的差异和不公平(例如在种族主义的情况下)的分析具有重大影响。
“。9和。3之间的相关性差异非常大，可能会激发非常不同的干预措施来解决差异，所以如果你愿意的话，在获得统计数据的情况下，赌注很高分析是的，”他说。
O'Malley说，错误地或naïve地使用分层估计可能在过去导致误导性的发现被发表，特别是对于医疗保健利用、质量、成本和结果的变化的研究。
他说:“我们希望这篇论文能提高人们对分层评估的关注意识——无论何时评估不同患者类型的提供者治疗模式的相似性或差异——并且在未来避免这种做法。”
