Tilbake til søkeresultatene

FRINATEK-Fri prosj.st. mat.,naturv.,tek

Analyzing clinical health registries: improved software and mathematics of identifiability

Alternativ tittel: Kausale slutninger med registerdata: bedre it-verktøy og matematikk for identifikasjon

Tildelt: kr 5,8 mill.

I dette prosjektet har vi utviklet metoder for å estimere kausale levetidseffekter fra registerdata. Vi har brukt teknikker for stokastiske differensialligninger, som tradisjonelt har stort sett vært brukt i finans, til å reformulere marginale strukturmodeller til situasjoner med prosesser i kontinuerlig tid. Vi har videre brukt disse teknikkene til identifisering og estimering av forskjellige kausale effekter i levetidsanalyse. Vi har også en omfattende kritikk, basert på teori fra kausal inferens, av bruken av hazarder som effektmål i levetidsanslyse. En konsekvens av denne kritikken er blant annet at Cox-regresjon, som er en svært populær metode for å estimere behandlingseffekter, ikke egentlig gir kasuale effekter, selv i kontrollerte randomiserte studier. Denne kritikken rammer også bruken av statistiske hypoteser som er formulert ved hjelp av hazarder. Dette gjelder mange av de vanligste hypotetestene. Vi har brukt stabilitetsteori for differensialligninger til å utvikle flere alternative metoder som ikke rammes av disse problemene.

Prosjektet har ført til: 1) Økt oppmerksomhet på at noen vanlige parametre som har har mye brukt som effektmål i kliniske studier ofte ikke har meningsfylte kausale fortolkninger. 2) Vi har introdusert en generell metode basert på differensialligninger for å estimere mange alternative mål som har en enklere kausal fortolkning i mange kyniske sammenhenger. 3) Vi har utviklet nye grafiske kriterier for å avgjøre hvorvidt en kausal effekt er identifiserbar fra de tilgjengelige observasjonene. 4) Vi har utviklet nye effektmål og tilhørende metoder for å estimere kausale effekter situasjoner, der man har konkurerende risikoer. 5) Vi har utviklet software i R-biblioteker for å utføre disse analysene.

A central theme in Kjetil Røysland's research at the Department of Biostatistics has been to extend modern causal reasoning to survival analysis. A key finding is that this is feasible if we let local characteristics for stochastic processes play the role of the conditional densities from the recursive factorisations of Bayesian networks. Local independence graphs relate to local characteristics as the directed acyclic graphs relate to the conditional densities in Bayesian networks. This gives a powerful generalisation of Causal Bayesian networks and enables us to apply many common ideas from causal inference directly to event history analysis. At the moment, applications of this methodology requires some seemingly unnecessary mathematical knowledge due to lack of generic identifiability conditions and adequate software. Nevertheless, it still provides an important opportunity to epidemiology and clinical research. The main objective of the current research proposal is to make causal inference based on local independence graphs more accessible to non-expert users. Our focus is two-folded, as we aim to both provide more generic identifiability conditions, and also to develop more mature software for performing actual data-analyses.

Budsjettformål:

FRINATEK-Fri prosj.st. mat.,naturv.,tek