Исследование случай-контроль Опции

[Homo aureus]

Уважаемые коллеги, прошу прощения если мой вопрос покажется Вам глупым или это уже обсуждалось, но поиск пока ничего не дал.
Я хочу провести ретроспективное исследование по методу случай-контроль. У меня есть некоторое количество больных изучаемой группы с определенным бинарным признаком 1 и популяция пациентов, в несколько раз большая, с бинарным признаком 0. Цель - подобрать на каждый изучаемый случай пациента группы контроля из популяции с бинарным признаком 0, соответствующий ему по нескольким количественным показателям (пару шкал тяжести, + несколько лабораторных показателей).
После этого нужно будет сравнить сравнить показатели исхода (несколько бинарных показателей + несколько количественных показателей, вроде длительность пребыванияв ОРИТ, длительность ИВЛ итп). Здесь кстати уместно ли оценить значимость различий с помощью методов непараметрической статистики (н-р тест Манна-Уитни) для того чтобы утверждать, что пациенты с изучаемым признаком 1, скажем, статистически значимо дольше находились в ОРИТ, чем пациенты с признаком 0 или хи-квадрат, для того, чтобы утверждать, что у среди пациентов группы 1 был более высокий уровень смертности, чем у пациентов группы 0. Как вычислить отношение рисков (odds ratio) и уместно ли оно здесь ?

Под рукой Statistica, SPSS и MedCalc Буду признателен всем ответившим

[Homo aureus]

Здравствуйте. А что такое "propensity-score matched-pairs analyses" в каких статистической программе это осуществимо (у меня нет программы SAS) ? Гдде об этом можно прочитать ? Например такой дизайн исследования (из последнего номера The Lancet):

Statistical analyses
Bivariate tests were initially used to compare the characteristics of patients who did or did not receive epidural anaesthesia or analgesia (t test, Mann-Whitney U test, χ² test, Fisher?s exact test).
We used propensity-score matched-pairs analyses to determine the adjusted association of perioperative epidural anaesthesia with the primary outcome (30-day mortality). The rationale and methods underlying the use of propensity scores for proposed causal exposure variables have been previously described.26,27 We developed a non-parsimonious multivariable logistic regression model to estimate a propensity score for perioperative
epidural anaesthesia, irrespective of outcome. Clinical signifi cance guided the initial choice of covariates in this model: age, sex, year, surgical procedure, hospital-type (teaching, low-volume nonteaching, mid-volume non-teaching, high-volume nonteaching), comorbid disease, specialist consultations (general internal medicine, cardiology, anaesthesiology), cardiac testing (echo cardiogram, non-invasive myocardial per fusion test, coronary angiogram), intraoperative invasive monitoring, and income. We used previously described methods to categorise non-teaching hospitals
into terciles28 on the basis of the annual volume of included procedures.
We considered comorbid conditions that were present in at least 1% of the study cohort: ischaemic heart disease, congestive heart failure, cerebrovascular disease, hypertension, diabetes, pulmonary disease, renal disease, and malignancy. As suggested by recent statistical research on propensity score development, we used a structured iterative approach to refi ne this model, with the goal of achieving covariate balance within the
matched-pairs.29 Covariate balance was measured using the standardised diff erence, where an absolute standardised diff erence greater than 10% is suggested to represent meaningful covariate imbalance.29 We matched epidural patients to no-epidural patients using a greedy-matching algorithm with a calliper width of 0·2 SD of the log odds of the estimated propensity score. This method involved sampling without replacement, and has been shown to remove 98% of the bias from measured covariates.30 Within the matched pairs, we used the methods of Agresti and Min31 to compare
mortality rates.32
Prespecifi ed subgroup analyses were based on procedure (abdominal, orthopaedic, thoracic, or vascular surgery), hospital (teaching or high-volume hospital versus mid-volume or low-volume hospital), and anatomic location of the epidural catheter (thoracic versus lumbar). We did a subgroup analysis based on the level of the epidural catheter because thoracic epidural analgesia, by selectively blocking cardiac sympathetic innervation,2 might better prevent mortality and cardiac complications.8,33 In these subgroup analyses, we repeated the same propensity-score matching process while forcing an exact match on the subgroup characteristics. The 30-day mortality rates were then compared within the subgroup-specifi c matched-pairs. For each subgroup analysis, we assessed the heterogeneity of treatment eff ects by using a test of interaction in a conditional logistic regression model.
In a sensitivity analysis, we used multivariable logistic regression to determine the adjusted association of epidural anaesthesia with 30-day mortality in the entire sample (N=259 037). These results were similar to the propensity-score analysis, and are therefore not reported. Analyses were done using SAS version 9.1 and R 2.4.1.34 All p values were two-tailed, with statistical significance defined by p<0·05.