Statistical techniques for estimating causal effects in biomedical research

Abstract

Causal inference methods are statistical techniques used to analyse the causal effect of a treatment/exposure on an outcome. Their use is increasing in the last decade, especially in the framework of observational studies where the no randomization of the treatment/exposure may lead to confounding bias. These methods present great advantages versus classic regression models due to their capability of reducing and controlling for confounding bias.This thesis begins with the use of known techniques applied in real clinical scenarios, second, a lack of developed statistical methods to estimate causal effects in complex epidemiological scenarios is noted. These findings support the main objective of this thesis, which is the development of causal inference methods to better understand and diagnose clinical and epidemiological outcomes. A comparison between the Propensity Score and classic regression models was made using an Intensive Care Unit database where it was shown that, in presence of confounding bias, Propensity Score performed better. Moreover, based on a systematic review and metaanalysis, causal estimates from Propensity Score and Randomized Controlled Trials were compared. It was observed that similar estimations were obtained in both approaches...

Los métodos de inferencia causal son técnicas estadísticas utilizadas para analizar el efecto causal de un tratamiento/exposición sobre un desenlace de interés. Su uso ha aumentado en la última década, especialmente en estudios observacionales donde la no aleatorización del tratamiento deriva en resultados sesgados. Esta metodología presenta enormes ventajas frente a modelos de regresión clásicos, debido a su capacidad de reducir y ajustar por el sesgo de confusión. Esta tesis comienza con la aplicación de técnicas ya conocidas en escenarios clínicos donde se muestra la falta de desarrollo estadístico para estimar el efecto causal en escenarios biomédicos más complejos. Estos hallazgos justifican el objetivo principal de esta tesis que es desarrollar métodos de inferencia causal para entender y diagnosticar mejor eventos clínicos y epidemiológicos. Se comparó el Índice de Propensión con los modelos clásicos de regresión, utilizando una base de datos de pacientes ingresados en UCI y se observó que, en presencia del sesgo de confusión, el Índice de Propensión aportó mejores resultados. Además, mediante una revisión sistemática y un meta-análisis, se compararon las estimaciones causales obtenidas aplicando el Índice de Propensión en estudios observacionales y las obtenidas en Ensayos Clínicos Aleatorizados. Se observó que en ambos casos las estimaciones obtenidas eran muy similares...