Les plans d'expériences (DOE) et les essais contrôlés randomisés constituent la référence en matière de détermination des relations causales, et JMP est la référence en matière de logiciels du DOE. Malheureusement, de nombreuses études ayant des objectifs d'inférence causale ne peuvent pas être menées en tant que DOE en raison de l'incapacité d'attribuer des traitements de manière aléatoire en raison de contraintes pratiques ou éthiques. L'exigence est de supprimer l'impact des variables confusionnelles qui contribuent au biais dans les classes de données d'observation.
Nous fournissons un aperçu des méthodes d'inférence causale prometteuses actuelles pour inclure les scores de propension, les algorithmes de correspondance et d'autres approches statistiques afin d'inclure un projet de lignes directrices de la FDA à l'intention de l'industrie pour les données/preuves du monde réel. Nous démontrons plusieurs procédures dans JMP à l'aide d'une base de données d'études rétrospectives qui prend en charge plusieurs efforts de recherche clinique pour le programme de chirurgie cardiothoracique du Houston VA Medical Center. Nous terminons en fournissant des recommandations, des conseils et des pièges que le praticien doit prendre en compte lorsque l'association causale est l'objectif et que le DOE n'est pas une option.
