明明是病例回顾，偏要装作RCT

临床硕士生小瑜进了一个小老师的组。小老师手上还木有什么大经费，只好对小瑜说，要不你就做个病例回顾吧，把咱医院X年至Y年收治且有随访记录的COPD病历分析一下，分析长效β受体激动剂（LABA）是否能降低死亡率。不过呢，死亡率的影响因素还是很多的，注意下吼~

小瑜回去以后一筹莫展。是啊，影响因素很多很多、很多很多的。而且是回顾性研究嘛，那些因素又不可控，就算最后，用和不用LABA的随访期间内死亡率有组间差异，我怎么能肯定它就是LABA造成的呢。要是强行附会关系，肯定是争不过审稿人的，看来只能发发低分杂志了。

小瑜依据查文献所知，列了30多个相关因素。他知道，考虑的因素越全面，建立的模型就越细致，就越有可能唬住审稿人。但好不容易收集了591个病例之后，做了初步分析，发现竟然有10个变量P<0.05，也就是说除了LABA外，还有近1/3的因素会对死亡率产生干扰。

“难道我要假装不知道，就当那10个变量从来没考虑过，从来没分析过？这样倒是可以得到一个干净的、基线一致的数据。”小瑜摇摇手中那杯冰咖啡，自言自语似的说着。但他心中也明白，那样研究质量就更差了。他看到毕业的路上有一层密不透光的浓雾升腾起来。

坐在对面的基友小亮静静听他倾诉完，同情地望了他一眼，说，为什么不用倾向评分匹配法（Propensity Score Matching, PSM）。这样可以把回顾性研究强行拔到RCT水平。

嗯？？

仿佛有了一道光。小亮打开电脑，打开R向他演示起来。

## 准备工作

library(MatchIt)

setwd('D:\\PSM')

PSM

# 载入MatchIt包，设置工作路径为D盘下的PSM文件夹，读取数据表PSM.csv。

## 计算倾向评分并匹配

PSM.m

data = PSM, method = 'nearest', distance = 'logit', caliper = 0.2 ')

# 不要被一长串吓到。调用matchit函数，“~”前面的LABA是分组，应当是一个二分变量，一般用0表示对照组，1表示治疗组；“~”后面是各个需要分析匹配的协变量，用“+”号把它们连起来。

# data指定那些变量所属的数据表，method选用评分匹配的方法，一般就用默认的nearest。distance则是选择计算距离或倾向值的方法，默认用logistic回归法(logit)。caliper是卡钳值，一般设为0.2，也可自行调整。

summary(PSM.m)

# 刚才的处理结果我们存到一个叫PSM.m的对象里去了，现在就用summary函数调出它的基本情况来看看。运行后会得到一组挺复杂的表，但主要看最后一段：

可见，我们原来对照组有292个样本，干预组有299个样本，经过计算后，各组匹配了189个样本，于是原来591个样本的大集，只留下了378个高质量样本。这时再看P值，就没有P<0.05的干扰了。

匹配前和匹配后，部分预览

## 提取样本

PSM.data

# 用match.data函数，从刚才的结果中提取出由那378个高质量样本组成的新表。

接下来就可以拿去跟死亡随访数据一起做K-M分析等等爱干嘛干嘛去啦~

回顾性研究的一大特点就是，事情已经发生了，混杂因素已经控制不了了。所以理论上讲，一切具有此类特征的数据，都可以用PSM处理。而且，像研究某物是否致癌这类课题，做RCT是有违伦理的，只能观察，所以也需要用PSM排除一些混杂因素的干扰。

排除干扰我们也有其他方法，但PSM法的一点好处是，它可以同时分析更多的干扰因素，而其他方法通常不超过10个。

PSM大体上是采用logistic回归法计算倾向评分（Propensity Score）之后，根据评分从对照组各样本中找到跟干预组背景相似的，匹配起来，就好像相亲要相门当互对的，配不到就单身出局。这样两组的背景就趋近均衡，具有更好的可比性。不过匹配也有其他1:n的比例。

其中一个关键的设置是“卡钳值”，这名字很形象，就像卡在干预组每个样本的评分上的钳子。如果一个样本的评分是0.283，匹配方法是nearest，那就在对照组中找一个评分也是0.283±0.2的样本跟它匹配，如果有多个，当然是找最近的那个。

可见卡得越小，匹配越精确，但可能留下供分析的样本也少，反之则匹配比较凑合，留下的样本量较大。这个值可以自己跟据具体情况调整。

小瑜听完终于舒了一口气，连日来的阴霾消散了。小亮微微一笑，合上了电脑。