Using Greedy Algorithm in Observational Studies - MakroCare

 

       

 

 

 

 

 

 

 

 

 

 

 

       

W H I T E   P A P E R  

Using Greedy Algorithm in  Observational Studies  by  Kiran Kumar Sandupatla, Rathnakar Bollam and Dr. A. K. Mathai                 

www.makrocare.com 

WHITE  PAPER 

 

 

Using Greedy Algorithm in Observational Studies 

 

INTRODUCTION:   

Randomized  controlled  trial  (RCT)  is  the  gold  standard  for  evaluating  a  new  drug  in  comparison  with  a  standard  drug  or  placebo.  However,  RCT  has  a  few  limitations  such  as  a  particular  treatment regimen will be given to a patient based on his willingness for randomization, he may  not  be  a  representative  sample  of  the  clinical  population  due  to  stringent  inclusion  /  exclusion  criteria,  his  treatment  management  may  be  slightly  different  from  routine  clinical  practice  etc.   These limitations may be minimized to some extent through observational studies. Observational  studies  are  mostly  conducted  based  on  routine  clinical  practice  without  many  restrictions.   However,  a  proper  control  group  is  required  to  draw  appropriate  conclusion  about  the  study  group (cases).    In  general,  there  is  no  chance  of  occurring  bias  due  to  randomization  in  interventional  studies  whereas  in  observational  studies,  there  is  no  prior  randomization.  Therefore,  the  group  that  received the treatment (cases) and the group that did not receive the treatment (controls) can be  considerably  different.  In  addition  to  that,  there  are  many  significant  differences  between  characteristics of the cases and controls. These differences should be adjusted in order to reduce  the  bias  in  selection  of  treatment  group  as  well  as  to  determine  the  treatment  effect.  There are several techniques to  reduce  the  bias  of  these  differences  and make two groups more  similar.     There are two types of matching algorithms. One is greedy match algorithm and other one is an  optimal  match  algorithm.  In  this  paper,  we  discuss  about  the  utility  of  greedy  algorithm  in  observational studies which will be used to match the cases and controls.    PROPENSITY SCORES    Propensity scores will be used to reduce the selection bias in observational studies. This score is  also  known  as  the  predicted  probability  of  an  outcome  (dependent  variable)  and  always  lies  between 0 and 1. This score represents the relationship between multiple characteristics and the  dependent variable as a single characteristic. PROC LOGISTIC option allow users to calculate and  save  the  predicted  probability  of  the  dependent  variable,  the  propensity  score,  for  each  observation  in  the  data  set.  In  an  observational  study,  the  dependent  variable  might  be  a  treatment  group.  The  propensity  score  would  be  the  predicted  probability  of  receiving  the  treatment. Generally, propensity score matching is used to compare between the outcomes of a  group received the treatment and a control group.  If only one characteristic influenced the outcome then selecting a suitable control would be easy.  However,  when  we  have  several  variables  to  consider  simultaneously,  the  problem  of  choosing  controls  becomes  more  difficult.  Many  times,  the  choice  of  matching  variables  are  mainly  an  investigator’s decision based on their knowledge and experience.   GREEDY ALGORITHM    In Greedy algorithm, matching starts with finding the nearest control for the first treatment case  in the dataset. Once the nearest control identified, then that matched pair will be moved to the  www.makrocare.com 

2   

WHITE  PAPER 

 

 

Using Greedy Algorithm in Observational Studies 

 

matched dataset and deleted from the matching pool. That means these matched pairs will not be  considered for further matching. Then, the nearest control for the second treatment case in the  dataset is identified, and so on. Thus, the set of matches depends on the order of the dataset. If  we change the sorting order then we get a different set of matched pairs.   Greedy  algorithm  is  most  commonly  used  technique to  match  cases  to  controls  with  propensity  score. So this can be called as case‐control matching on the propensity score. In this algorithm, a  group (N) of cases is matched to a group (M) of controls in a set of (N) decisions. Here N must be  less than or equal to M (N