Un score de propension avec ordre d'intérêt des covariables

Bonjour,

Dans le cadre du calcul du score de propension, on essaie de sélectionner une sous-population d'une population qui serait la plus homogène possible par rapport à une cohorte de référence en fonction d'un set de covariables.

Seulement voilà, j'aimerais sélectionner une sous-population qui serait d'abord homogène sur certaines covariables primordiales puis sur un set de covariables secondaires.
En quelques sortes, le set de covariables primordiales doivent nécessairement avoir une distribution très proches dans les deux cohortes (référence et sous-population), puis si possible sur les covariables secondaires.

Connaissez-vous une méthode de calcul de score de propension qui permettrait de mettre une pondération plus importante sur certaines covariables ? (ou du moins de mettre en avant ces covariables ?).

J'avais pensé à faire un double matching (je ne sais pas si ça existe) :
- Créer un score de propension sur le set de covariables primordiales "PS1"
- Créer un score de propension sur le set de covariables secondaires "PS2"
Matcher un maximum de patients sur le PS1 puis diminuer le nombre de patients total en fonction de PS2 (je ne sais pas ce que ça vaut).

Est-ce qu'une régression pondérée pourrait mettre en avant ces covariables primordiales ?

Merci d'avance

Hello,
Je ne pense pas que tu aies besoin de faire ca, car si la forme fonctionnelle de ton modele de score de propension est correcte et ton effectif suffisament important, l'appariement sur le score de propension permettra d'obtenir un bon equilibre sur toutes les covariables. C'est toute la philosophie du score de propension. En revanche, utilise un algorithme d'optimal matching plutot que de greedy matching afin d'ameliorer l'equilibre global entre tes groupes.
Si tu le fais en deux etapes, tu vas perdre enormement d'individus, et rendre ton etude encore moins generalisable.

Ayana.

Salut Ayana, merci pour ta réponse.

Oui en effet je crains une grosse perte d'effectif, j'ai déjà très peu de patients mais je pense privilégier un effectif faible et homogène à la référence plutôt qu'un gros effectif hétérogène.

Oui je vais essayer l'optimal matching pour optimiser l'homogénéité, les articles vont également dans ce sens!

Juste par curiosité, est-ce que tu vois souvent l'utilisation du PSM (PS Matching) pour créer deux sous-cohortes homogènes même en dehors d'essais cliniques et sans traitement pris en compte ? (par exemple créer une sous-cohorte d'obèses similaires à une cohorte de référence d'obèses)

Pas vraiment. Un statisticien d'Astra Zeneca m'avait posé une question similaire, mais il n'y a pas grand chose la-dessus dans la literature. Jusqu'a present, les scores de propension sont plutot utilises en inference causale.

Merci