Om mig

Jag arbetar som statistiker på Institutionen för Medicinsk Epidemiologi och Biostatistik.

Forskningsbeskrivning

UPPSKATTNING AV KAUSALA EFFEKTER FRÅN KOMPLEX LONGITUDINAL DATA -- UTMANING OCH GENOMBROTT

I många sammanhang inom såväl ekonomi som medicin vidtas åtgärder sekventiellt; behandlingar och ingripanden utförs inte endast en gång. Statistiskt bör vi därför analysera kausala effekter av behandlingssekvenser, inte bara en enda behandling.

Kausala effekter

Nettoeffekten är effekten av behandling utan inblandning från de efterföljande behandlingarna. Den har följande medicinska betydelse

  • Nettoeffekten skiljer de långsiktiga effekterna av tidigare behandlingar från kortsiktiga effekterna av senare behandlingar, tex på patientens överlevnadschanser.
  • Nettoeffekten tillåter oss att hitta optimerad behandling; givet ett visst tillstånd hos patienten, exempelvis ålder och prognosfaktor, kan man veta vilken behandling som skulle vara optimal.
  • Nettoeffekten hjälper oss att förstå vilka andra faktorer som är relevanta för utfall, exempelvis  socioekonomiska faktorer såsom inkomst.

Sekventiella kausala effekten är den totala effekten av en behandlingsplan, tex på patientens överlevnadschanser givet det initiala tillståndet hos en patient och har följande medicinska betydelse

  • Sekventiella kausala effekten jämför effekterna av olika behandlingsplaner.
  • Sekventiella kausala effekten kan ge en optimerad behandlingsplan för en subpopulation. En subpopulation kan till exempel vara yngre patienter.
  • Sekventiella kausala effekten kan ge en optimerad behandlingsplan för hela patientpopulationen.

Uppskatta och hypotestesta kausala effekter

Den välkända G-formeln är en matematisk formel som används för att identifierar kausala effekter från kliniska data. Men i denna formel är de prognostiska faktorerna och biverkningar både resultaten från dem tidigare behandlingarna och störfaktorer i de senare behandlingarna. Så vi har följande problem: en (ibland oändligt) högdimensionell, mättad statistisk modell för alla dessa faktorer behövs och därför är det extremt svårt att uppskatta och testa kausala effekter.

I vårt arbete (visas i Annals of Statistics), har vi härlett den nya G-formeln som också identifierar kausala effekter från kliniska data. I den nya G-formeln är prognostiska faktorer och biverkningar endast störfaktorer i efterföljande behandlingar. Vi behöver därmed endast arbeta med en lågdimensionell, omättad statistisk modell.

Referenser

Wang, X. and Yin, L. (2019). New G-Formula for the Sequential Causal Effect and Blip Effect of Treatment in Sequential Causal Inference. Visas i Annals of Statistics.

Wang, X. and Yin, L. (2015). Identifying and Estimating Net Effects of Treatments in Sequential Causal Inference. Electronic Journal of Statistics, 9: 1608–1643

Utbildning

1982 BSc i Kemi från Sichuan Universitet, Chengdu, Kina.

1989 PhD i KvantKemi från Uppsala Universitet

1992 Postdoktor i kvantkemi, University of Minnesota, USA