У МЕНЯ ЕСТЬ ИНСТРУМЕНТ

Давайте представим, что у вас получилось собрать данные реальной клинической практики - real-world data (RWD. Сами вели свою таблицу Excel, ведь они так собираются).

Вы планируете сравнить методы лечения (препарат А против В) по исходу (пациент выписался или умер). Но слышали/знаете, что есть такое явление, как confounding. Он может реализовываться через множество факторов. Но предположение о модели ведёт к тому, что факторов, которые надо включить, очень много (а мб каких-то нет в данных - скрытые). Что делать?

Можно присмотреться к методу из causal inference, который называется инструментальная переменная (instrumental variable, IV) [1, 2].

В чем суть?
Мы подбираем такую переменную/фактор (инструмент), которая:
- связана с назначением лечения (релевантность)
- не связана с исходом (кроме связи через назначение лечения)
- не связана с другими (особенно скрытыми) факторами, которые влияют на исход (экзогенность) [1, 2, 3]

Визуально это можно отобразить на DAG (рис)

Если эти предположения не нарушены (и основные для оценки ATE), то мы можем использовать выбранный показатель в качестве инструментальной переменной. А дальше с помощью двухэтапных методов (есть и другие подходы) это учитываем в окончательной модели [2].

Что нам это даёт?
Мы получаем оценку LATE-IV, т.е. локальный средний эффект лечения среди "послушных" (об этом разделении я расскажу в других постах) [4]. 

LATE-IV = 𝔼[Y|T = 1, U = c] - 𝔼[Y|T = 0, U = c]

где: 
𝔼 - мат ожидание
Y - исход
T - лечение (1 - препарат А, 0 - препарат В)
U - фиктивная переменная "послушания" (c - "послушные")

К сожалению, если нам недоступна оценка ATE (а часто это так), то оценка LATE - это оправданный шаг (но это меняет эстиманд - мы оцениваем эффект у тех, кто следовал назначенному лечению). Может показаться, что это похоже на per protocol анализ (об этом и применение IV в РКИ я тоже расскажу в следующих постах) [4].

Как пример, можно ознакомиться с этой статьей. В ней оценивали назначение Варениклина на смертность от всех причин через 2 года после назначения терапии. В качестве инструмента использовали склонность врача назначать варениклин (количество рецептов на варениклин, выписанный 7 предыдущим пациентам).  Итог: RD = 0.67% (95% CI –0.11; 1.46%) на 100 пролеченных пациентов. Клинически не выражен, статистически не значим. 

Пока писал пост, понял, что нужно будет еще раскрыть некоторые особенности (кто такие "послушники" и "непослушники", IV в РКИ, методы, что-то еще). Поэтому буду пока это разбирать...

@Ebm_base