Słownik metodologiczny · Projekt badania

Emulacja badania docelowego (target trial emulation)

Emulacja badania docelowego to analiza danych obserwacyjnych zaplanowana jak badanie randomizowane. Pokazujemy elementy protokołu, punkt zero, korektę wagami IPW i przykład w R.

Strona główna / Słownik / Emulacja badania docelowego
W skrócie: Emulacja badania docelowego (target trial emulation) to planowanie analizy danych obserwacyjnych jak badania randomizowanego: najpierw spisujesz protokół – kryteria kwalifikacji, strategie leczenia, punkt zero, wynik i kontrast przyczynowy – a potem naśladujesz go w danych.

Co to jest emulacja badania docelowego?

Emulacja badania docelowego (ang. target trial emulation) to sposób planowania analizy danych obserwacyjnych: najpierw opisujesz protokół badania randomizowanego, które odpowiedziałoby na Twoje pytanie, a potem naśladujesz je w danych. Hernán i Robins (2016) proponują tę ramę dla rejestrów i baz medycznych. Protokół porządkuje analizę, ułatwia krytykę badania i chroni przed typowymi pułapkami. To samo „badanie docelowe” jest punktem odniesienia w ROBINS-I.

Elementy protokołu

  • Kryteria kwalifikacji – np. tylko nowi użytkownicy leku.
  • Strategie leczenia i sposób przypisania do nich.
  • Punkt zero (ang. time zero) – moment, od którego liczysz obserwację.
  • Wynik, okres obserwacji i kontrast przyczynowy, czyli estymanda: odpowiednik analizy ITT albo per protocol. Wybór między nimi omawiają Hernán i Robins (2017).

Każdy element zapisuje się jako kontrast wyników potencjalnych: co by było, gdyby wszyscy zastosowali strategię A, a co, gdyby strategię B.

Punkt zero

W badaniu randomizowanym kwalifikacja, przypisanie i początek obserwacji zachodzą jednocześnie. Gdy w danych obserwacyjnych się rozjeżdżają, powstaje m.in. błąd czasu nieśmiertelnego – Hernán i in. (2016) pokazują, że jawny protokół mu zapobiega. Gdy strategia brzmi „rozpocznij leczenie w ciągu 3 miesięcy”, stosuje się klonowanie osób do obu strategii, cenzurowanie przy odstępstwie i ważenie.

Losowania nic nie zastąpi: zamiast niego zakładasz brak niezmierzonej zmiennej zakłócającej i korygujesz zakłócenie w punkcie zero, np. wagami IPW.

Przykład

W symulowanej kohorcie 6000 osób wykluczono 1476 leczonych już wcześniej. Z 4524 nowych pacjentów 2005 rozpoczęło leczenie w punkcie zero, częściej ci w cięższym stanie. Surowy HR = 1.20 sugeruje szkodę. Po ważeniu IPW HR = 0.73 (95% CI 0.65–0.82), a ryzyko 5-letnie wynosi 27.6% przy leczeniu i 35.8% bez niego (różnica −8.2 p.p.). Prawdziwe wartości z wyników potencjalnych to 27.9%, 36.1% i −8.2 p.p.

Jak opisać w pracy

Zaprojektowano emulację badania docelowego: kwalifikowano nowych pacjentów bez wcześniejszego leczenia, punktem zero była data kwalifikacji, a porównywano rozpoczęcie leczenia i jego brak (odpowiednik analizy ITT). Zakłócenie w punkcie zero korygowano wagami IPW. Ryzyko 5-letnie wyniosło 27.6% vs 35.8% (różnica −8.2 p.p.), HR = 0.73, 95% CI [0.65, 0.82].

Na co uważać

  • Protokół przed analizą. Spisz go, zanim zobaczysz wyniki.
  • Dawni użytkownicy. Włączenie osób leczonych od lat miesza przeżywających z nowymi pacjentami.
  • Duże wagi. Maksymalna waga 22 sygnalizuje słabe nakładanie się grup – sprawdź rozkład wag.
Przykład reprodukowalny

Emulacja badania docelowego w R

Kod symuluje kohortę, stosuje kryteria kwalifikacji, ustala punkt zero, porównuje analizę surową z ważeniem IPW (WeightIt) w modelu Coxa i liczy ważone ryzyko 5-letnie. Liczby w tekście pochodzą z tego kodu.

Punkt zero, IPW i ryzyko 5-letnie

Dane wejściowe: 6000 osób, w tym 25% leczonych przed punktem zero; ciężkość choroby L zwiększa szansę leczenia i hazard; leczenie obniża hazard (HR warunkowy 0.7); obserwacja do 5 lat; dane symulowane, set.seed(7101).

Co odczytać: 4524 kwalifikujące się osoby, 2005 leczonych; prawdziwe ryzyka 0.279 i 0.361; surowy HR 1.195; rozkład wag (maks. 22.1); HR po IPW 0.726 [0.645, 0.816]; ważone ryzyka 0.276 i 0.358, różnica −0.082.

R
# Emulacja badania docelowego: kohorta symulowana, punkt zero = kwalifikacja
library(survival)
library(WeightIt)
set.seed(7101)
n <- 6000
wczesniej <- rbinom(n, 1, 0.25)                 # osoby już leczone przed punktem zero
L <- rnorm(n)                                    # ciężkość choroby w punkcie zero
A <- rbinom(n, 1, plogis(-0.3 + 0.9 * L))        # start leczenia w punkcie zero
lambda <- 0.08 * exp(0.6 * L)                    # hazard bez leczenia
t0 <- rexp(n, lambda); t1 <- rexp(n, lambda * 0.7)   # wyniki potencjalne, HR warunkowy 0.7
t_zd <- ifelse(A == 1, t1, t0)
czas <- pmin(t_zd, 5); zd <- as.integer(t_zd <= 5)   # obserwacja do 5 lat
d <- data.frame(wczesniej, L, A, czas, zd, t0, t1)
# 1. Kryteria kwalifikacji: tylko nowi użytkownicy (bez leczenia przed punktem zero)
k <- subset(d, wczesniej == 0)
c(kwalifikuje_sie = nrow(k), leczeni = sum(k$A))
# Prawda z wyników potencjalnych: ryzyko 5-letnie w obu strategiach
prawda <- c(ryzyko_A1 = mean(k$t1 <= 5), ryzyko_A0 = mean(k$t0 <= 5))
round(c(prawda, roznica = unname(prawda[1] - prawda[2])), 3)
# 2. Analiza bez korekty: porównanie surowe
round(exp(coef(coxph(Surv(czas, zd) ~ A, data = k))), 3)
# 3. Wagi IPW dla zakłócenia w punkcie zero (estymanda: ATE)
w <- weightit(A ~ L, data = k, method = "glm", estimand = "ATE")
summary(w$weights)
cw <- coxph(Surv(czas, zd) ~ A, data = k, weights = w$weights, robust = TRUE)
round(exp(c(HR = unname(coef(cw)), confint(cw)[1, ])), 3)   # brzegowy HR z odpornym SE
km <- survfit(Surv(czas, zd) ~ A, data = k, weights = w$weights)
r5 <- 1 - summary(km, times = 5)$surv                        # ważone ryzyko 5-letnie
round(c(ryzyko_A0 = r5[1], ryzyko_A1 = r5[2], roznica = r5[2] - r5[1]), 3)
Wynik w R
kwalifikuje_sie         leczeni 
           4524            2005 
ryzyko_A1 ryzyko_A0   roznica 
    0.279     0.361    -0.082 
    A 
1.195 
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  1.015   1.360   1.654   2.004   2.207  22.139 
    HR  2.5 % 97.5 % 
 0.726  0.645  0.816 
ryzyko_A0 ryzyko_A1   roznica 
    0.358     0.276    -0.082 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiety survival i WeightIt). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. survival (wersja 3.8.6): Therneau, T. M. (2026). A package for survival analysis in R [R package]. https://CRAN.R-project.org/package=survival
  3. WeightIt (wersja 2.1.0): Greifer, N. (2026). WeightIt: Weighting for covariate balance in observational studies (R package version 2.1.0) [Computer software]. https://doi.org/10.32614/CRAN.package.WeightIt

Najczęstsze pytania

Czym jest badanie docelowe (target trial)?

To hipotetyczne badanie randomizowane, które odpowiedziałoby na Twoje pytanie przyczynowe. Nie musi być wykonalne ani etyczne – służy jako wzór, według którego planujesz analizę danych obserwacyjnych.

Co to jest punkt zero w emulacji?

Moment, w którym osoba spełnia kryteria kwalifikacji, zostaje przypisana do strategii i zaczyna być obserwowana. Gdy te trzy momenty się rozjeżdżają, powstają błędy takie jak błąd czasu nieśmiertelnego.

Czy emulacja zastępuje randomizację?

Nie. Porządkuje projekt analizy, ale nadal wymaga założenia, że zmierzono wszystkie ważne zmienne zakłócające, oraz korekty, np. wagami IPW lub g-formułą.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Hernán, M. A., & Robins, J. M. (2016). Using big data to emulate a target trial when a randomized trial is not available. American Journal of Epidemiology, 183(8), 758–764. https://doi.org/10.1093/aje/kwv254 ● Otwarty dostęp
  2. Hernán, M. A., & Robins, J. M. (2017). Per-protocol analyses of pragmatic trials. New England Journal of Medicine, 377(14), 1391–1398. https://doi.org/10.1056/nejmsm1605385
  3. Hernán, M. A., Sauer, B. C., Hernández-Díaz, S., Platt, R., & Shrier, I. (2016). Specifying a target trial prevents immortal time bias and other self-inflicted injuries in observational analyses. Journal of Clinical Epidemiology, 79, 70–75. https://doi.org/10.1016/j.jclinepi.2016.04.014 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{hernan2016using, author={Hernán, Miguel A. and Robins, James M.}, title={{Using big data to emulate a target trial when a randomized trial is not available}}, journal={American Journal of Epidemiology}, year={2016}, volume={183}, number={8}, pages={758--764}, doi={10.1093/aje/kwv254}}
@article{hernan2017per, author={Hernán, Miguel A. and Robins, James M.}, title={{Per-protocol analyses of pragmatic trials}}, journal={New England Journal of Medicine}, year={2017}, volume={377}, number={14}, pages={1391--1398}, doi={10.1056/nejmsm1605385}}
@article{hernan2016specifying, author={Hernán, Miguel A. and Sauer, Brian C. and Hernández-Díaz, Sonia and Platt, Robert and Shrier, Ian}, title={{Specifying a target trial prevents immortal time bias and other self-inflicted injuries in observational analyses}}, journal={Journal of Clinical Epidemiology}, year={2016}, volume={79}, pages={70--75}, doi={10.1016/j.jclinepi.2016.04.014}}
R