Minimierung von Verzerrungen in umfangreichen multi-arm Beobachtungsstudien mit BCAUS: Balancierung von Kovariaten automatisch mittels Supervision

Beobachtungsstudien werden zunehmend ergänzend zu Randomisierten Kontrollierten Studien (RCTs) herangezogen, da sie eine größere Skalierung und Vielfalt an Teilnehmern sowie Outcome-Messungen ermöglichen, die in einer RCT nicht praktikabel wären. Zudem spiegeln sie die klinischen Realitätsszenarien, in denen die untersuchten Interventionen zukünftig eingesetzt werden sollen, deutlich genauer wider. Gut etablierte, auf Propensitäts-Scores basierende Methoden stehen zur Verfügung, um die Herausforderungen bei der Analyse von Beobachtungsdaten zur Schätzung kausaler Effekte zu bewältigen. Diese Methoden liefern zudem Qualitätskontrolldiagnosen, mit denen beurteilt werden kann, in welchem Maße Verzerrungen reduziert wurden und ob die Schätzungen vertrauenswürdig sind. In großen medizinischen Datensätzen ist es häufig zu beobachten, dass dasselbe zugrundeliegende Gesundheitsproblem mit einer Vielzahl unterschiedlicher Medikamente oder Medikamentenkombinationen behandelt wird. Herkömmliche Ansätze erfordern einen manuellen, iterativen Arbeitsablauf, was eine unzureichende Skalierbarkeit bei Studien mit vielen Interventionen zur Folge hat. In solchen Fällen sind automatisierte kausale Inferenzmethoden, die mit traditionellen, auf Propensitäts-Scores basierenden Workflows kompatibel sind, von hohem Nutzen.