傾向性評分方法及其規(guī)范化應(yīng)用的統(tǒng)計學(xué)共識*

CSCO生物統(tǒng)計學(xué)專家委員會RWS方法學(xué)組黃麗紅 王永吉 王素珍 趙 楊 王 彤 執(zhí)筆 薛付忠 陳 峰 夏結(jié)來 主審

隨機對照試驗(randomized controlled trial，RCT)一直被譽為藥物臨床療效評估的金標準，但基于理想狀態(tài)下開展的RCT及其得到的有效性證據(jù)，與臨床實踐存在一定差距，有時難以推斷在存在并發(fā)癥、伴隨治療等普遍情況下的風(fēng)險和效益，其在臨床實踐中的外推性可能受限[1-3]?，F(xiàn)實世界研究(real world study，RWS)，又被稱為真實世界研究，是一種RCT之外臨床療效評價的有益補充，近年來得到廣泛重視。2019年12月，國家藥品監(jiān)督管理局組織發(fā)布《真實世界數(shù)據(jù)用于醫(yī)療器械臨床評價技術(shù)指導(dǎo)原則(征求意見稿)》，2020年1月發(fā)布《真實世界證據(jù)支持藥物研發(fā)與審評的指導(dǎo)原則(試行)》，2020年5月發(fā)布《真實世界證據(jù)支持兒童藥物研發(fā)與審評的技術(shù)指導(dǎo)原則(征求意見稿)》，進一步指導(dǎo)和規(guī)范RWS證據(jù)用于支持器械及藥物研發(fā)和審評的有關(guān)技術(shù)要求，保障器械及藥物研發(fā)的質(zhì)量和效率。

RWS，尤其非隨機化RWS中混雜偏倚的控制尤為重要，真正的混雜因素需要滿足與處理因素(treatment)相關(guān)，給定處理因素后和臨床結(jié)局(endpoint)相關(guān)，但不是處理因素-結(jié)局的因果關(guān)系通路上的中間變量三個條件，混雜因素的存在將歪曲(夸大或縮小)處理因素與結(jié)局的真實因果關(guān)聯(lián)[4]。流行病學(xué)中常用有向無環(huán)圖(directed acyclic graph，DAG)來圖示混雜。以G、Y和C分別代表處理因素、臨床結(jié)局和混雜因素，一個典型混雜現(xiàn)象的DAG見圖1A。

圖1 有向無環(huán)示意圖

根據(jù)因果推斷(causal inference)的相關(guān)理論，當混雜存在時，應(yīng)當有一條指向G并連接Y的未被阻斷的路徑，即指向G的“后門”路徑(backdoor path)。這里，由于C同時指向G和Y，故G←C→Y，可以認為G和Y是相關(guān)的，該路徑成為了一條后門路徑。此時在估計G對Y的效應(yīng)時若忽略了C，則估計G和Y時的效應(yīng)時就受到了混雜干擾[5]。圖1B中的M為中介因素，是解釋G對Y的因果效應(yīng)的變量，圖1C中的B為碰撞節(jié)點(collider，即研究因素和研究結(jié)局的共同結(jié)果)，圖1D中的IV為工具變量(instrumental variable，獨立于混雜因素，與所研究的處理因素相關(guān)，與臨床結(jié)局無關(guān)，僅通過處理因素影響結(jié)局)，均不是混雜因素。RWS應(yīng)密切關(guān)注潛在混雜因素，采用適當?shù)脑O(shè)計和分析方法，盡可能控制混雜效應(yīng)，或使混雜因素的影響達到最小。

對于已知且已測量混雜，除了傳統(tǒng)的分層分析、配對分析、協(xié)方差分析和多因素分析以外，傾向性評分法(propensity score，PS)作為一種對多個協(xié)變量進行調(diào)整的降維分析策略，在非隨機對照的RWS中的應(yīng)用越來越廣泛，但如何正確使用PS法，如何規(guī)范化報道PS法的結(jié)果尚未形成統(tǒng)一的認識，為此中國臨床腫瘤學(xué)會(CSCO)生物統(tǒng)計學(xué)專家委員會RWS方法學(xué)小組，經(jīng)充分討論，形成以下共識。

PS法基本原理及特點

PS由Rosenbaum和Rubin于1983年基于反事實理論首次提出，是多個協(xié)變量的一個函數(shù)，根據(jù)已知協(xié)變量的取值(Xi)而計算的第i個個體分入處理組的條件概率[6-8]：

e(X)=P(G=1|X)

這里G表示組別或處理因素，G=1表示該個體在處理組，G=0表示該個體在對照組；X為協(xié)變量向量X=(x1，x2，…，xm)。假定個體i所在組別與協(xié)變量無關(guān)，即分組變量G與協(xié)變量X相互獨立，若PS用傳統(tǒng)的logistic回歸或probit回歸方法計算，即以組別G為因變量，以所要控制的因素為自變量建立logistic模型：

logit[P(G=1|X)]=α+β1x1+…+βmxm

或probit模型：

Φ-1(P(G=1|X))=α+β1x1+β2x2+…+βmxm

Φ為正態(tài)累積概率函數(shù)。將每個個體的協(xié)變量取值代入模型中，即可估計得到該個體的PS：

可見，PS是給定協(xié)變量X的條件下，個體接受處理(G=1)的概率估計。

在實際應(yīng)用中，經(jīng)常會遇到處理變量X是多分類或者連續(xù)的情況，那么這種情況下，上述提到的構(gòu)建PS的基本方法就不再適用，而應(yīng)使用廣義傾向評分(generalized propensity score，GPS)。

GPS由Imbens于2000年提出[9]。如果處理變量有k個水平1，2，…，k，根據(jù)已知協(xié)變量的取值(Xi)而計算第i個個體的處理水平為k的條件概率：

e(X)=P(G=k|X)

在此基礎(chǔ)上，Hirano & Imbens于2004年將GPS拓展到了連續(xù)處理變量的情況下[10]。假設(shè)處理變量G的取值在k0到k1內(nèi)，GPS即為給定X時G的條件密度：

e(X)=fG|X(G|X)，?G∈[k0，k1]

對于GPS的估計，可以用上述提到的基于回歸的方法(logistic、probit回歸等廣義線性模型)、機器學(xué)習(xí)方法(例如gradient boosting machine(GBM))、基于廣義矩估計的協(xié)變量平衡GPS法(the covariate balancing generalized propensity score)[11]等。

PS本身不能控制混雜，而是通過匹配、分層、加權(quán)或協(xié)變量校正的方法，不同程度地提高對比組間的均衡性，從而削弱或平衡協(xié)變量對效應(yīng)估計的影響，期望達到“類隨機化”(minic-randomization)的效果，又稱為事后隨機化[12-13]。

1.PS匹配：如果將PS評分相同或相近的研究對象在不同的組間進行匹配，理論上，組間各特征變量的分布將趨于均衡，從而削弱或抵消組間混雜因素的不均衡性對研究結(jié)果的干擾，這就是PS匹配法。傾向性評分匹配法可分為貪婪匹配(greedy matching)和最優(yōu)匹配(optimal matching)。常用的貪婪匹配方法有最鄰近匹配(nearest neighbor matching)、卡鉗匹配(caliper matching)。將觀察組中的每個個體，在對照組中尋找與其最接近的個體進行匹配，直到觀察組中每個個體都找到匹配，稱為最鄰近匹配。如果兩個個體的PS差值在事先設(shè)定的某卡鉗值范圍內(nèi)才能進行匹配，稱為卡鉗匹配。此外，還有馬氏距離法(Mahalanobis)，以及由其衍生的GenMatch法(genetic matching)等。而最優(yōu)匹配法將匹配問題轉(zhuǎn)化為運籌學(xué)中網(wǎng)絡(luò)流(network flows)問題，此時觀察組和匹配的對照組個體PS差值并不是最小的，但是能保證匹配集PS總體差值的最小化。PS匹配完成后，再基于匹配成功的研究對象進行效應(yīng)估計及假設(shè)檢驗。

2.PS協(xié)變量校正：將PS評分直接作為一個新的協(xié)變量進行模型校正，即在主分析模型中，以結(jié)局變量為應(yīng)變量，以分組變量為自變量，PS評分作為協(xié)變量來構(gòu)建模型，從而估計組間效應(yīng)。

3.PS分層：PS評分也可以作為分層變量，將受試者按照PS評分的大小分為若干區(qū)間，視區(qū)間為層，進行分層分析。所有的觀察組和對照組中研究對象均參與分析，此時，層內(nèi)組間協(xié)變量分布認為是均衡的，當層內(nèi)有足夠樣本量時，可以直接對單個層進行分析，也可以對各層效應(yīng)進行加權(quán)平均。

4.PS逆概率加權(quán)：逆概率加權(quán)(inverse probability of treatment weighting，IPTW)，又稱為逆處理概率加權(quán)，基于因果推斷方法中的邊際結(jié)構(gòu)模型(marginal structural model，MSM))，與傳統(tǒng)的標準化法類似。根據(jù)PS評分值賦予每個研究對象一個相應(yīng)的權(quán)重，從而構(gòu)建出一個虛擬人群，在此虛擬人群中，協(xié)變量的組間分布沒有差異，因此消除了混雜因素的影響。權(quán)重的計算通常有不穩(wěn)定權(quán)重(unstable weight)和穩(wěn)定權(quán)重(stable weight)兩種。逆概率加權(quán)法中的不穩(wěn)定權(quán)重被定義為研究對象實際分組情況的概率的倒數(shù)：

不穩(wěn)定權(quán)重波動較大，不夠穩(wěn)健。穩(wěn)定權(quán)重在此基礎(chǔ)上做了一些改進，穩(wěn)定權(quán)重算法中最常見的是將不穩(wěn)定權(quán)重與實際接受處理的邊際概率相乘，即處理組對象將其不穩(wěn)定權(quán)重乘以樣本中接受處理的比例，而對照組則乘以樣本中接受對照的比例。

計算權(quán)重后，再應(yīng)用加權(quán)回歸的方法估計處理效應(yīng)。

上述四種PS方法總結(jié)見表1。

表1 四種基本PS方法總結(jié)

PS法的應(yīng)用范圍

PS法主要用于觀察性比較研究或非隨機對照研究中組間協(xié)變量分布不均衡的情形。在RWS研究的3類基本設(shè)計(實用臨床試驗/實效臨床試驗、使用RWS證據(jù)作為外部對照的單臂試驗、觀察性研究)中，主要適用于觀察性研究中的已測量(measured)混雜因素控制和使用RWS證據(jù)作為外部對照的單臂試驗中，例如在腫瘤單臂試驗中，借助歷史對照數(shù)據(jù)進行PS法分析已有成功案例[14]。PS法也可用于隨機化失敗(randomization failure)的探索性臨床研究中，比如實際研究中實施隨機化所需的條件不可實行或完全不能被滿足，使得受試者的隨機化分配規(guī)則不經(jīng)意地遭到違背或受到故意阻撓時，隨機化通常就會失敗。相較于傳統(tǒng)的混雜因素控制方法，PS法更適用于基線不均衡的協(xié)變量較多的研究。雖然RWS的數(shù)據(jù)通常來自日常收集的各種與患者健康狀況和/或診療及保健有關(guān)的數(shù)據(jù)，樣本量通常較大且遠超于RCT，但是所有的臨床研究設(shè)計都需要考慮樣本量問題，應(yīng)用PS法同樣需要考慮，其樣本量要求與所選擇的PS評分模型及效應(yīng)分析方法相關(guān)，如進行PS匹配，匹配后的有效樣本數(shù)應(yīng)滿足所選擇效應(yīng)比較方法的樣本量需求。

PS法不適用于下列情況：

1.PS法不可用于未知或未測量(unmeasured)混雜因素的控制；

2.PS法不適用于時依性協(xié)變量所致混雜因素的控制；

3.PS貪婪匹配法不適用于組間PS評分重疊范圍(overlap)過小時(圖2)，該情況下應(yīng)用PS貪婪匹配法將導(dǎo)致匹配后損失大量樣本，帶來估計偏差；

4.PS分層、PS協(xié)變量校正、PS逆概率加權(quán)不適用于組間PS評分分布相互偏離較大時，此時的校正可能產(chǎn)生錯誤的估計值；

5.當干預(yù)措施隨時間發(fā)生變化時，PS方法可能失效；

6.當干預(yù)措施罕見時將影響PS評分估計的效果，PS方法可能失效。

圖2 PS評分重疊范圍示意圖

PS法中的常見問題

雖然PS法廣泛應(yīng)用于非隨機對照研究中，但存在諸多誤區(qū)和問題，需要引起重視和思考[10]。

1.運用PS法能取代隨機對照設(shè)計的誤區(qū) PS法雖然具有理論優(yōu)勢，但僅能平衡已測量混雜因素，并且要求組間協(xié)變量的PS評分分布有所重疊；基于不同的PS方法，得到的估計結(jié)果可能不同，通常需要借助敏感性分析來評估結(jié)果的穩(wěn)定性。RCT作為臨床研究的金標準，能夠有效均衡組間的已測量和未測量混雜，能夠回答試驗藥物在某個特定條件下是否有效的問題，因此，借助PS法的RWS無法取代RCT[15-16]。

2.PS評分變量選擇不充分 納入PS評分模型的變量直接影響PS評分的計算結(jié)果。納入不同的協(xié)變量，分析結(jié)果將有所不同。在制定分析策略階段，應(yīng)充分考慮所有可能的混雜因素，作為選擇PS評分變量的基礎(chǔ)。

3.不充分的調(diào)整前和調(diào)整后的分析 沒有對調(diào)整前協(xié)變量不均衡情況進行描述，采用PS評分方法調(diào)整后，亦未對調(diào)整后的平衡程度進行描述，導(dǎo)致PS方法應(yīng)用前提不明確，應(yīng)用效果不確定。

4.PS匹配問題 PS評分方法中PS匹配的應(yīng)用最為廣泛，存在問題最為突出。例如：PS匹配需滿足重疊假定，若在匹配前未評估，會導(dǎo)致匹配后損失大量樣本，帶來估計偏差；在應(yīng)用卡鉗匹配法時，若未對卡鉗大小設(shè)定進行論證，導(dǎo)致采用不同的卡鉗值得到不同的匹配結(jié)果，從而影響研究結(jié)論。

5.敏感性分析不充分 由于現(xiàn)有數(shù)據(jù)中協(xié)變量信息的限制，不同的匹配方法所得到的研究人群不同等原因，可能會導(dǎo)致PS法的結(jié)果不同。從應(yīng)用角度看，當難以對假定進行檢驗時，對結(jié)果的敏感性分析就變得極為重要。當不同的分析方法得到的結(jié)論不同時，研究結(jié)論并不穩(wěn)健，需要進一步驗證。

PS法的應(yīng)用規(guī)范

PS法分析結(jié)果的合理性與數(shù)據(jù)的質(zhì)量和分析策略密切相關(guān)。隨著PS法應(yīng)用越來越廣泛，其分析過程及結(jié)果報道的規(guī)范化愈加重要。在應(yīng)用PS法進行數(shù)據(jù)分析前，需要遵照RWS相關(guān)指導(dǎo)原則對RWS數(shù)據(jù)的適用性進行評估，只有滿足適用性的RWS數(shù)據(jù)才有可能產(chǎn)生RWE(real world evidence)。ICH-E9要求在進行臨床試驗設(shè)計時，在試驗方案中對數(shù)據(jù)統(tǒng)計分析計劃進行說明，在應(yīng)用PS法進行驗證性RWS數(shù)據(jù)分析時同樣需要計劃在先，執(zhí)行在后，避免根據(jù)分析結(jié)果來選擇分析策略的主觀導(dǎo)向性。針對PS法的基本步驟(圖3)，其具體分析過程的規(guī)范化應(yīng)考慮以下統(tǒng)計學(xué)問題[17-20]：

1.選擇協(xié)變量

用于計算PS評分的協(xié)變量的選擇直接影響PS法結(jié)果。關(guān)鍵的協(xié)變量包括影響結(jié)局的基線變量，在協(xié)變量取值可靠的前提下，結(jié)合專業(yè)知識盡可能排除中介因素(圖1B)、對撞因素(圖1C)和工具變量(圖1D)，識別后門路徑中混雜因素(圖1A)，進而在PS模型中應(yīng)盡可能地納入所有已測量混雜因素。當然，如果我們阻斷了所有的后門路徑，就完成了對研究因素和研究結(jié)局的去混雜。

圖3 PS法基本步驟

選擇協(xié)變量應(yīng)結(jié)合專業(yè)知識在制定分析計劃時事先確定，確定后不應(yīng)隨意更改。在醫(yī)療器械研發(fā)領(lǐng)域，有學(xué)者提出PS兩步法，其中選擇協(xié)變量作為PS法的第一步，由與后續(xù)分析步驟不相關(guān)的獨立研究者執(zhí)行，以確保協(xié)變量選擇的客觀性[21]。

2.PS評分模型選擇

PS評分計算最常用的模型為logistic回歸、probit回歸，也可采用判別分析、機器學(xué)習(xí)等方法。方法的選擇不應(yīng)受研究推論影響，無論采用何種模型，每一位觀察對象進入處理組的概率不為零。評分模型應(yīng)在制定分析計劃時事先確定。

3.PS方法的選擇及參數(shù)設(shè)置

根據(jù)四種PS方法的優(yōu)劣，結(jié)合研究問題及資料特征進行PS方法的選擇。通常，當樣本量較大，預(yù)估匹配后樣本的損失仍可滿足最低樣本量要求時，可以選擇PS匹配法；當樣本量有限時，應(yīng)盡量采用利用所有數(shù)據(jù)的方法，如希望達到類隨機化的效果，可考慮PS逆概率加權(quán)法。

得到PS評分后，需繪制PS評分分布圖，考察重疊假定(overlap assumption)，即觀察組和對照組的PS取值范圍有交叉重疊的部分(common support)，通常若某觀察個體的PS值高于對照組PS的最大值或低于對照組PS的最小值，可考慮去掉該觀察個體，但若重疊取值范圍有限，則不宜采用PS法。

另外，使用各種PS方法還應(yīng)分別考慮以下問題：

(1)PS匹配：需根據(jù)對比組的樣本量情況事先確定匹配比例(選擇1：1匹配或1：n匹配)和匹配方法。如采用卡鉗匹配法，需注意卡鉗值的設(shè)定直接影響到最終匹配集的樣本量，卡鉗值越大，能夠匹配成功的個體越多，但對比組間的均衡性可能較差；反之，卡鉗設(shè)置過小，雖然可提高對比組間的均衡性，但匹配成功率可能降低，匹配集的樣本量減少。因此，應(yīng)在制定分析計劃時事先設(shè)定卡鉗值，通常將卡鉗值設(shè)定為兩組傾向性評分標準差的20%。另外，還需事前確定是否采用有放回的匹配方式，即配對后的對照組對象是否參加下一組的配對，如采用有放回的方式，每個對照可能出現(xiàn)在多個對子中，需要對方差進行調(diào)整。

(2)PS分層：PS分層的關(guān)鍵問題是分層數(shù)和權(quán)重應(yīng)事先設(shè)定。權(quán)重一般由各層樣本占總樣本量的比例來確定，也有學(xué)者建議采用各層內(nèi)處理效應(yīng)方差的倒數(shù)[22]。根據(jù)文獻報道，按PS將樣本平均分為5層，能減少90%以上的偏倚，是PS分層中最常用的方法[23]。

(3)PS協(xié)變量校正：需要事先明確定義PS評分與結(jié)局變量關(guān)系的回歸模型，該方法的正確性依賴于建模的正確性。PS評分通常作為唯一協(xié)變量納入模型，如需添加其他協(xié)變量應(yīng)在分析計劃中事先設(shè)定，避免結(jié)果導(dǎo)向分析。

(4)PS逆概率加權(quán)：是基于個體的標準化法。有較低PS的處理組對象與有較高PS的非處理組對象將會獲得較大的權(quán)重，可能帶來結(jié)果不穩(wěn)定的風(fēng)險，而穩(wěn)定權(quán)重可以有效避免極端PS評分的影響，因此如采用穩(wěn)定權(quán)重，其計算方式應(yīng)在分析計劃中事先設(shè)定。

4.均衡效果評價

PS匹配后協(xié)變量應(yīng)達到均衡，采用假設(shè)檢驗的方法并不妥當，均衡不是針對總體，不需要做統(tǒng)計推斷，而僅針對進行匹配的分組樣本特征。目前用于評價組間基線均衡性的方法有：

(1)指標評價法：標準化差值(standardized difference)可用于定量評價均衡性，一般認為標準化差值小于0.1，均衡性能被接受，不受樣本量的影響。

對于連續(xù)型變量，定義為：

對于分類變量，定義為：

其中，pT和pC分別表示處理組和對照組中協(xié)變量的陽性率。

另外，對于GPS，為了評價協(xié)變量是否達到了均衡的效果，可以選用評價指標absolute correlations(ACs)：

(2)圖形法：可采用QQ圖、并排箱式圖、背靠背直方圖、累積分布函數(shù)圖等直觀比較組間協(xié)變量分布的圖形。

PS分層可通過比較層內(nèi)組間PS的均衡性來檢驗所選定的層數(shù)是否合理。PS協(xié)變量校正效果可根據(jù)所選回歸模型，通過衡量回歸模型“優(yōu)劣”的常用量化指標來判定，例如復(fù)相關(guān)系數(shù)R(或決定系數(shù)R2)，剩余標準差，赤池信息準則(Akaike′s information criterion，AIC)等。PS逆概率加權(quán)產(chǎn)生的虛擬樣本中觀察組與對照組基線協(xié)變量應(yīng)達到均衡，均衡性判定與PS匹配類似，可采用標準化差值法或圖形法。

值得一提的是，若在應(yīng)用傾向評分后，協(xié)變量均衡性并未改善，有學(xué)者提出還可進一步考慮模型構(gòu)建合理性判別的步驟，通過增加或調(diào)整協(xié)變量，增加協(xié)變量之間的交互項或者采用非線性項(nonlinear terms)，比如立方平滑樣條曲線(cubic smoothing splines)等方法修正模型，再進行傾向評分估計和協(xié)變量的均衡性評價，直到組間協(xié)變量均衡性得到改善。

5.估計處理效應(yīng)

如為探索性研究，通常不進行因果推斷(causal inference)。當研究的目的是作為支持上市的主要證據(jù)時，需在分析中考慮進行因果推斷并估計因果效應(yīng)(causal effects)。

因果效應(yīng)通常有兩類，一類為總體人群的平均因果效應(yīng)(average treatment effect，ATE)，為所有個體均接受處理的平均潛在結(jié)果E(y1)與全部個體均接受對照條件的平均潛在結(jié)果的結(jié)局值E(y0)的差值，即ATE=E(y1)-E(y0)；另一類為處理組平均因果效應(yīng)(average treatment effect among the treated，ATT)，為處理組個體接受處理條件后的平均潛在結(jié)果E(y1|z=1)與處理組個體接受對照條件后的平均潛在結(jié)果E(y0|z=1)的差值，即ATT=E(y1|z=1)-E(y0|z=1)。通常在臨床試驗中，所關(guān)心的因果效應(yīng)是ATT。

直接從觀察結(jié)果估計ATT時，會遇到一個問題，根據(jù)反事實理論，并不能同時觀察處理組個體接受處理條件和對照條件的兩個潛在結(jié)果(實際觀察結(jié)果和未能觀察到的反事實結(jié)果)，這也是因果推斷的一個核心問題、核心難點。在RCT中，試驗組與對照組是隨機分配的，基于反事實的一致性假設(shè)，對照組的觀察結(jié)果為處理組個體接受對照條件的潛在結(jié)果的無偏估計，從而能夠得到ATT的無偏估計值，這也是RCT可以進行因果推斷的主要原因。在非隨機對照研究中應(yīng)用PS法能否進行因果推斷，主要取決于最終的“類隨機化”效果，需要注意的是，PS法只能考慮已測量混雜因素，但在實際研究中，人們可能永遠無法找到所有的潛在混雜因素，那些未知的混雜因素，或雖然已知但實際測量有困難的混雜因素是PS法無法控制的，因而，PS法用于因果推斷需要謹慎對待。通常，在非隨機化RWS中，基于PS法的因果推斷需要滿足“正則性”假設(shè)，即各觀察對象接受各種處理的概率均大于0，也就是觀察對象需要有明確的分組。另外，還需滿足條件可交換性，條件可交換性(exchangeability)要求研究者針對處理組，想象如果這組患者沒有得到處理，其成員會發(fā)生什么，判斷這一想象中的結(jié)果與那些實際上沒有接受處理的小組的情況是否一致，只有在條件可交換性假定成立時，才能說明研究中不存在混雜因素的影響，才能進行有效的因果推斷。

6.敏感性分析等其他考慮

PS法十分靈活，在分析過程中選擇不同的方法，設(shè)定不同的參數(shù)，分析結(jié)果可能不同。充分的敏感性分析在PS法應(yīng)用過程中十分必要，敏感性分析策略應(yīng)在分析計劃中事先設(shè)定。通常針對PS法的敏感性分析可以考慮：PS評分值采用不同模型、不同協(xié)變量組合計算的敏感性分析；PS匹配采用不同比例，不同匹配方法的敏感性分析；采用基于PS評分的不同方法(例如PS匹配法與PS校正法)的敏感性分析；PS逆概率加權(quán)采用不同穩(wěn)定權(quán)重定義的敏感性分析；PS分層采用不同分層策略的敏感性分析等。

另外，數(shù)據(jù)缺失問題在臨床研究中普遍存在，利用傾向性評分法進行數(shù)據(jù)分析時，如有任一協(xié)變量缺失，則無法估計PS評分值，因而缺失值的影響不可忽視。在制定統(tǒng)計分析策略階段，需事先設(shè)定缺失值的處理原則。關(guān)于缺失數(shù)據(jù)的考慮可參照RWS研究的相關(guān)指導(dǎo)原則。

對于應(yīng)用PS方法的臨床研究，在分析過程規(guī)范化的前提下，應(yīng)進行規(guī)范化的結(jié)果報道，在遵照相應(yīng)國際指南(觀察性研究的STROBE指南[15])的基礎(chǔ)上，建議結(jié)果報道核查表2所列內(nèi)容。

表2 PS法結(jié)果報道檢查表