Key points are not available for this paper at this time.
"의료 청구 데이터 세트의 사용은 종종 생략된 변수와 사용 가능한 혼란 변수의 부정확성 또는 잘못 측정 문제로 인해 비판에 직면합니다. 궁극적으로, 이러한 데이터 소스를 이용해 추정된 치료 효과는 잔여 혼란의 영향을 받을 수 있습니다. 디지털 전자 행정 기록은 건강 관련 정보를 대량으로 수집하며, 이러한 정보는 일반적인 약물 역학 연구에서 고려되지 않는 경우가 많습니다. 고차원 성향 점수(hdPS) 알고리즘은 잔여 혼란 편향을 줄이기 위해 잘못 측정된 및 관찰되지 않은 혼란 변수의 대리 또는 대 proxy로 이러한 정보를 활용하는 방안을 제안했습니다. 이후 많은 기계 학습 및 반모수적 확장이 제안되어 고차원 대리 정보의 풍부함을 보다 잘 활용하고자 하였습니다. 이 튜토리얼에서는 (i) 재현 가능한 R 코드를 사용한 개방형 데이터 소스를 예로 들어 hdPS의 논리, 단계 및 구현 가이드라인을 보여주고, (ii) 성향 점수와 hdPS 간의 주요 차이점과 필수 민감도 분석에 대해 독자에게 익숙해지게 하며, (iii) hdPS의 기계 학습 및 이중 견고 확장을 사용하는 이유를 설명하고, (iv) 원고 작성 시 hdPS 보고 지침과 관련된 장점, 논란 및 이점에 대해 논의할 것입니다."
Mohammad Ehsanul Karim(월)이 이 질문을 연구했습니다.