Data národního zdravotnického informačního systému (NZIS) jsou celopopulačním zdrojem dat o výskytu onemocnění a jako taková jsou téměř plně reprezentativním obrazem reality. To spolu nicméně přináší velmi často problém srovnatelnosti skupin pacientů (např. regiony, typy zdravotnických zařízení, pacienti se specifickými výkony atd.) co do jejich základních demografických a klinických charakteristik (věk, pohlaví, komorbidity atd.). Úkolem studenta je ověřit možnosti různých algoritmů pro dosažení srovnatelnosti skupin (pseudorandomizace) aplikovatelných na rozsáhlé datové soubory NZIS s hlavním zaměřením na data NRHOSP (Národní registr hospitalizovaných).

Úkoly studenta:
1) Provést rešerši dostupné literatury zaměřené na metodiku pseudorandomizace a dosažení srovnatelnosti struktury souborů
2) Seznámit se se strukturou dat NZIS s hlavním zaměřením na data NRHOSP
3) Provést výpočet a srovnání metod za různých situací (různý počet proměnných, různá velikost souboru) na datech NRHOSP
4) Popsat výhody a limitace různých metod dosažení srovnatelnosti souborů se zřetelem na efektivitu výpočtu na rozsáhlých datových souborech
5) Aplikovat vybrané nejvhodnější metody pro řešení klinického příkladu na datech NRHOSP
6) Diskutovat závěry práce vzhledem k relevantní literatuře

Literatura
Abadie, A. and Imbens, G. W. (2016), Matching on the Estimated Propensity Score. Econometrica, 84: 781–807. doi:10.3982/ECTA11293
Austin, P. C. (2009), Some Methods of Propensity-Score Matching had Superior Performance to Others: Results of an Empirical Investigation and Monte Carlo simulations. Biom. J., 51: 171–184. doi:10.1002/bimj.200810488
Austin, P. C. (2014), A comparison of 12 algorithms for matching on the propensity score. Statist. Med., 33: 1057–1069. doi:10.1002/sim.6004
Elze, Markus C., John Gregson, Usman Baber, Elizabeth Williamson, Samantha Sartori, Roxana Mehran, Melissa Nichols, Gregg W. Stone, a Stuart J. Pocock. „Comparison of Propensity Score Methods and Covariate Adjustment: Evaluation in 4 Cardiovascular Studies". Journal of the American College of Cardiology 69, č. 3 (24. leden 2017): 345–57. https://doi.org/10.1016/j.jacc.2016.10.060.
Hajage, DavidTubach, FlorenceDe Rycke, Yann et al. Overfitting in propensity score model: a commentary on “propensity score model overfitting led to inflated variance of estimated odds ratios” by Schuster et al. Journal of Clinical Epidemiology , Volume 88 , 160 – 161
Lunceford, J. K. (2017) Stratification and weighting via the propensity score in estimation of causal treatment effects: a comparative study. Statist. Med., 36: 2320. doi: 10.1002/sim.7231.
Mansournia, Mohammad Ali, a Douglas G Altman. „Inverse probability weighting". BMJ 352 (15. leden 2016). https://doi.org/10.1136/bmj.i189.
Shenyang Guo, Mark W. Fraser (2014) Propensity Score Analysis. SAGE, Mathematics - 448 pages