Propensity Score Weighting to Ensure Balance in Key Subgroups or Strata: A Practical Guide

在缺乏隨機對照實驗的觀察性研究中，如何從龐大且混雜的電子健康紀錄精準估算治療效果，一直是臨床統計的一大挑戰。最新發表於 arXiv 的研究提出一套分層傾向分數加權實用指南，明確定義了 3 種必須優先採用分層策略的臨床異質性情境，為處理複雜醫療數據的基準平衡提供系統性解法。

電子健康紀錄的異質性與傾向分數加權

電子健康紀錄（EHR, Electronic Health Records）與行政醫療數據庫已成為評估機構層級醫療品質與支持性照護介入的重要資源。在這些觀察性數據中，由於患者並非被隨機分配接受特定治療或暴露，研究人員通常會採用傾向分數加權（Propensity Score Weighting）技術。傾向分數的核心概念是計算每位患者在給定其觀察特徵下，接受特定治療的機率。這項統計方法的首要目標是減輕混擾因素（Confounding）的風險，試圖在非隨機分配的條件下模擬出類似隨機實驗的組間平衡。

面對住院患者複雜的照護需求，傳統的全體加權方法往往難以應對數據中潛藏的巨大差異。患者的入院原因、適應症以及其他臨床風險因子，都會在群體內部產生顯著的異質性。當研究涵蓋範圍廣泛的住院患者時，若不針對特定子群體進行細部校正，容易導致少數極端特徵主導了整體的加權結果。因此，尋求更精細的統計校正手段，成為運用電子健康紀錄進行醫療效果評估的首要任務。

驅動分層加權設計的 3 大關鍵臨床情境

為了處理高度異質性的數據，研究團隊建議依據適應症或臨床風險因子，將傾向分數加權方法進行分層（Stratification）。該指南明確指出 3 種適合導入分層策略的特定條件。首先是預後差異顯著的情境，當不同患者子群體的預後走向有巨大落差時，研究設計必須優先確保這些分層在暴露組與治療組之間的組成達到平衡。若未能控制預後基線的差異，最終的治療效果估算將嚴重偏離真實情況。

其次是暴露機率的落差，當不同臨床子群體接受特定治療或暴露的可能性存在巨大差異時，統一計算傾向分數將無法真實反映各群體的特徵。某些高風險群體可能幾乎必定會接受治療，而低風險群體則幾乎不會，這種極端的機率分佈會破壞單一模型的穩定性。第三種情況則涉及共變數與暴露關聯性的變異，也就是在傾向模型中存在共變數與子群體之間的交互作用（Covariate-subgroup interactions）。當相同的臨床特徵在不同病患群體中引發完全不同的治療決策時，採用分層加權便是確保統計推論有效性的唯一途徑。

靜脈血栓栓塞預防策略的高齡住院患者案例

為了具體說明分層加權的應用場景，研究團隊提出了一個常見的臨床評估案例：預防性抗凝血劑的使用。當研究目標是評估預防性抗凝血劑對於預防高齡患者發生靜脈血栓栓塞（VTE, Venous Thromboembolism）的成效時，數據往往會涵蓋因各種不同疾病入院的高齡族群。這些高齡患者的入院條件可能從單純的常規骨科手術，跨足到嚴重的急性內科感染。

這些不同的入院原因，導致患者本身的血栓風險與主治醫師開立抗凝血劑的機率大不相同。如果僅使用單一的傾向分數模型來涵蓋所有高齡患者，外科手術患者與重症內科患者的臨床特徵將被強行揉合，造成嚴重的估算誤差。透過分層傾向分數加權，研究人員可以先依據主要的入院原因或風險等級將患者分組，隨後在各自的層級內獨立進行加權計算。這種作法不僅能確保各層級內的組間特徵達到精確平衡，也能更細緻地捕捉藥物在不同臨床條件下的真實保護力。

針對群體健康與行政醫療數據的實務操作框架

該指南的核心價值在於為臨床研究人員提供一套可落地執行的實務操作框架。隨著醫療體系越來越依賴大規模的行政數據來制定群體健康（Population Health）策略，確保統計方法的嚴謹性成為產出可靠實證的基礎。研究團隊針對電子健康紀錄的特性，整理出一系列從變數選擇到模型驗證的最佳實踐原則。

這套指南不僅涵蓋了如何科學地界定分層變數，還指導研究者如何處理醫療數據中常見的記錄遺漏與編碼差異問題。透過系統性地處理臨床群體的異質性，分層加權方法論有助於降低因模型設定過度簡化而導致的偏差。對於負責評估機構醫療品質或制定大規模照護政策的統計與公衛專家而言，掌握並實施這套分層技術，將能大幅提升觀察性研究在現實世界中的因果推論可信度。

在處理高異質性的電子健康紀錄時，分層傾向分數加權能有效解決預後與暴露機率落差，為觀察性研究提供更嚴謹的因果推論基礎。