Analyzing change in medication use - statistical approaches

The objective of this study was to gain an understanding of the effects of population heterogeneity, missing data, and causal relationships on parameter estimates from statistical models when analyzing change in medication use. From a public health perspective, two timely topics were addressed: the use and effects of statins in populations in primary prevention of cardiovascular disease and polypharmacy in older population. Growth mixture models were applied to characterize the accumulation of cardiovascular and diabetes medications among apparently healthy population of statin initiators. The causal effect of statin adherence on the incidence of acute cardiovascular events was estimated using marginal structural models in comparison with discrete-time hazards models. The impact of missing data on the growth estimates of evolution of polypharmacy was examined comparing statistical models under different assumptions for missing data mechanism. The data came from Finnish administrative registers and from the population-based Geriatric Multidisciplinary Strategy for the Good Care of the Elderly study conducted in Kuopio, Finland, during 2004–07. Five distinct patterns of accumulating medications emerged among the population of apparently healthy statin initiators during two years after statin initiation. Proper accounting for time-varying dependencies between adherence to statins and confounders using marginal structural models produced comparable estimation results with those from a discrete-time hazards model. Missing data mechanism was shown to be a key component when estimating the evolution of polypharmacy among older persons. In conclusion, population heterogeneity, missing data and causal relationships are important aspects in longitudinal studies that associate with the study question and should be critically assessed when performing statistical analyses. Analyses should be supplemented with sensitivity analyses towards model assumptions.

Lääkkeen käytön muutoksen analysointi – tilastollisia näkökulmia. Väitöskirjatutkimuksen tavoitteena oli lisätä ymmärrystä populaation heterogeenisyyden, puuttuvan tiedon sekä kausaalisuhteiden vaikutuksesta tilastollisten mallien parametrien estimaatteihin analysoitaessa lääkkeiden käytön muutosta. Tutkimus keskittyi kahteen kansanterveyden näkökulmasta ajankohtaiseen aiheeseen: statiinien käyttöön ja vaikutuksiin sydän- ja verisuonisairauksien primaaripreventiossa sekä iäkkäiden monilääkitykseen. Sydän- ja verisuonisairaus- sekä diabeteslääkkeiden kertymistä kuvailtiin näennäisesti terveillä statiinihoidon aloittajilla latentin kasvukäyrämallin mixture-analyysin avulla. Statiinihoitoon sitoutumisen kausaalivaikutusta akuuttiin sydän- ja verisuonitapahtumaan primaaripreventiossa estimoitiin marginaalisilla rakennemalleilla ja verrattiin diskreetin elinaikamallin tuloksiin. Puuttuvan tiedon vaikutusta kasvufaktoreiden estimaatteihin monilääkityksen kehitystä analysoitaessa tutkittiin vertailemalla tilastollisia menetelmiä jotka erosivat toisistaan oletuksiltaan puuttuvan tiedon mekanismista. Aineistoina käytettiin suomalaisia hallinnollisia rekistereitä sekä Kuopiossa vuosina 2004–07 toteutetun Hyvän Hoidon Strategia-tutkimuksen aineistoa. Näennäisesti terveillä statiinihoidon aloittajilla havaittiin viisi toisistaan erillistä lääkkeiden kertymisen kehityskaarta kahden vuoden aikana statiinin aloituksesta. Kun marginaalisen rakennemallin avulla huomioitiin statiinihoitoon sitoutumisen ja sekoittavien tekijöiden muutokset, joihin aiempi hoitoon sitoutuminen saattoi vaikuttaa, tuloksena oli diskreetin elinaikamallin kanssa yhteneviä parametriestimaatteja. Puuttuvan tiedon mekanismi osoittautui avaintekijäksi estimoitaessa monilääkityksen kehitystä iäkkäässä väestössä. Yhteenvetona todetaan, että lääkkeiden käytön muutoksen tilastollisissa analyyseissä on tärkeää ottaa huomioon populaation heterogeenisyys, puuttuvan tiedon mekanismi ja muuttujien väliset kausaalisuhteet. Sovellettavan tilastollisen menetelmän tulisi vastata tutkimuskysymystä ja analyysien tuloksia tulisi tukea herkkyysanalyyseillä tilastollisten mallien oletuksia kohtaan.