摘要：倾向得分匹配方法（PSM)主要用于处理观察性临床研究或临床试验研究数据亚组分析，能够有效消除混杂因素的影响。也由此，倾向评分在临床科研中迅速得到广泛应用。

倾向得分匹配方法（PSM)主要用于处理观察性临床研究或临床试验研究数据亚组分析，能够有效消除混杂因素的影响。也由此，倾向评分在临床科研中迅速得到广泛应用。

用100多个变量构建logistic回归，计算倾向性得分，随后开展倾向性得分匹配，这样是不是合适？

老郑看到一篇研究论文，不仅做了，还发表在JAMA子刊上。

我们来一探究竟！

2025年5月14日，医学顶刊JAMA子刊《JAMA Psychiatry》（医学一区top，IF=22.5）发表了一篇题为：“Health Outcomes of Discontinuing Antipsychotics After Hospitalization in Older Adults”的研究论文，采用“目标试验模拟框架”，模拟随机对照试验的设计。

旨在探究与继续使用抗精神病药物（APMs）相比，老年患者出院后停用APM是否与不良临床结局风险降低相关？

研究设计

这项基于人群的队列研究分析了美国医疗保险数据（2013年7月1日至2018年12月31日）及大型商业健康数据库Optum CDM（2004年7月1日至2024年5月31日）。

通过发病密度抽样，将APM停药者（停药≥45天）与继续用药者按APM类型、首次处方时间及是否入住ICU进行匹配。

研究采用目标试验模拟框架，模拟临床试验，比较住院后30天内启动APM的老年患者（≥65岁）停药与继续用药的结局。

PICOS原则

P（Population）研究对象：65岁及以上、无精神疾病史、未使用过抗精神病药物（APMs）的住院患者，且在出院后30天内首次开具APM处方。

I（Intervention）试验组：APM处方间隔≥45天

C（Comparison）对照组：持续使用APM（处方间隔

O（Outcome）结局：全因再住院率、特定原因再住院（谵妄、跌倒、肺炎、尿路感染、卒中）、全因死亡率。

S（Study design）研究类型：目标模拟试验

主要研究结果

研究者采用发病率密度抽样法将18 582名停药患者与18 582名持续用药患者进行匹配，最终获得13 712对倾向评分（PS）匹配样本。

PS匹配后，所有基线特征通过标准化均差（SMD）检验达到良好平衡（最大SMD=0.017）。

中位随访180天发现，与继续用药组相比，停药组以下风险显著降低：

全因再住院（HR=0.89，95%CI 0.85-0.94）

住院期间谵妄（HR=0.87，0.79-0.96）

跌倒相关急诊或住院（HR=0.77，0.67-0.90）

尿路感染住院（HR=0.79，0.66-0.94）

全因死亡率（HR=0.77，0.69-0.86）

在肺炎再住院（HR=0.88 [95% CI, 0.73-1.06]）和脑卒中再住院（HR=1.22 [95% CI, 0.97-1.53]）风险方面无显著差异。

敏感性分析结果一致，显示停药组较持续用药组再住院和全因死亡风险降低。

亚组分析APM停药（vs持续用药）与再住院风险降低的关联在以下人群中均存在。

综上所述，基于美国两大全国性队列，停用APM可降低再住院和死亡风险，提示需尽量减少急性住院后APM的使用时长。

统计学解读

1.基线均衡性检验

通过标准化平均差 （SMD） 评估了继续用药者和停药者之间基线特征的差异，SMD

2.倾向评分匹配（PSM）

通过Logistic回归模型计算倾向得分，以停药/继续用药为因变量，162个协变量为自变量。

采用1:1最近邻匹配（Nearest-Neighbor Matching），卡钳值（Caliper）设为倾向得分标准差的1%。以平衡停药组与继续用药组的基线特征。

3.主要结局分析

使用Cox比例风险模型估计停药与继续停药对研究结果的风险比（hr）和95% ci。

采用具有恒等连接函数和正态误差分布的广义线性回归估计暴露组间研究结果的率差（RDs）。

4.敏感性分析

首先，为了调整潜在的未测量混杂因素，研究者使用高维倾向性评分来匹配APM停药和继续用药，该高维PS可以自动识别和调整数百个代理协变量，这些协变量可能与来自多个数据维度的未测量混杂因素相关。

其次，进行了180天的意向治疗分析（不删失暴露状态变化者）。

第三，使用Fine-Gray模型来解释死亡带来的竞争风险。

第四，使用随机效应荟萃分析模型汇总研究估计。

第五，延长停药定义（间隔≥60天）。

第六，缩短持续用药定义（间隔7天）。

最后，限制分析于首次APM处方前30天确诊谵妄者，以确保APM是用于治疗谵妄的处方。

5.亚组分析

按年龄、性别、种族、痴呆状态、APM类型/剂量/暴露时长分组，进行亚组分析以检查治疗效果是否因患者特征而异。

老郑小评

本文162个协变量构建方程计算倾向性得分，数量太大。

那为何不仅这样做了，还发了JAMA子刊呢？

因为样本量特别大，才可以构建，才能纳入这么多的协变量。

老郑还是要劝告各位，协变量这么多还是有风险的，诸位要谨慎使用。最好协变量还是不要太多。

如果没办法，推荐大家用基于高维数据的倾向性得分计算方法去开展。

在因果推断中，倾向得分匹配法经常被用来解决样本自选择等问题，但在观测样本个体特征参数较多时，从对照组中找到与实验组相似的个体便十分困难。高维倾向得分法 (high-dimensional propensity score approach，hdps) 克服了上述局限性，可以很容易地使用大量数据信息来减少混杂因素(confounders) 引起的偏差。

本文纳入这么多协变量的另一个原因也在于研究者在敏感性分析中加入高维倾向得分法，进一步验证结果的稳健性。

参考文献：

Yang C, Wilkins JM, DiCesare E, et al. Health Outcomes of Discontinuing Antipsychotics After Hospitalization in Older Adults. JAMA Psychiatry. Published online May 14, 2025. doi:10.1001/jamapsychiatry.2025.0702

来源：郑老师讲统计