Using the target trial framework for combining information: external comparator analyses and other applications¶
作者: Lawson Ung, Miguel A. Hern\'an, Issa J. Dahabreh
主题: 其他
相关性: 8/10
链接: https://arxiv.org/abs/2605.24346
一、核心问题与贡献¶
①研究了如何利用目标试验框架规划与报告跨多数据源（如外部对照、可迁移性分析）融合的因果推断问题。②核心工具是在目标试验框架中新增“目标人群及其抽样模型”组件，并通过数据元素映射暴露多源数据间的错配。③主要贡献是系统梳理了多源数据融合中识别假设的扩展（如无试验参与效应、跨源条件可交换性），并指出对齐某一数据源可能加剧与其他数据源不可调和错配的权衡困境。
二、基础设定¶
- 核心概念与符号：
- Target trial（目标试验）：用于指导因果问题规划的理想化随机试验协议。
- Non-nested sampling model（非嵌套抽样模型）：各数据源被视为从无限超群体的不同层中独立抽取的简单随机样本，层由试验参与状态定义。
- Trial engagement effects（试验参与效应）：伴随试验参与的动作/程序，通过不涉及干预的路径影响结局（类似Hawthorne效应）。
- Misalignment（错配）：不同数据源在入排标准、处理分配/接受定义上与目标试验协议的不一致性。
-
External comparator（外部对照）：利用外部数据源（如EHR或另一RCT）构建目标试验中未随机化的处理组。
-
关键假设：
- No trial engagement effects（无试验参与效应）：试验参与对结局的影响必须完全由干预中介。统计学含义：排除了参与行为本身造成的效应混杂；比单源分析更强，是跨源识别的核心壁垒。
- Conditional exchangeability over trial participation（跨源条件可交换性/可迁移性）：在基线协变量水平上，不同数据源底层群体的潜在结局分布独立于试验参与状态。统计学含义：允许跨源合并处理效应信息；比单源内的处理可交换性要求更强，需额外协变量支撑。
- Consistency across sources（跨源一致性）：潜在结局在各数据源间保持一致，且处理变异无关性（treatment variation irrelevance）跨源成立。统计学含义：观测结局等于对应干预下的潜在结局，且不同源中“同类干预”的实质等价；强化了常规一致性假设。
-
Positivity/Overlap（正概率/协变量重叠）：各数据源在条件可交换性所需协变量上有足够的分布重叠。统计学含义：保证跨源权重或g-formula估计量有限方差；在多源融合中要求更严苛的跨源重叠而非源内重叠。
-
问题背景： 现有目标试验框架多隐式假定单源数据与隐式目标人群，缺乏对多源数据融合中“目标人群为何”及“源间关系如何”的显式刻画。最相关的文献区别：与Hernán & Robins (2016) 的单源目标试验框架相比，本文新增了抽样模型组件；与Bareinboim & Pearl (2016) 的纯图形化数据融合识别理论相比，本文侧重于流行病学/临床层面的协议映射与错配暴露，而非纯do-calculus算法；与Dahabreh et al. (2021) 的可迁移性研究设计相比，本文系统化了“对齐错配”的权衡逻辑。
三、主要定理 / 核心结果¶
本文为应用/方法型论文（概念框架与识别理论梳理，无形式化定理）。 - 核心发现的量化描述：无数值估计，核心结果为结构化框架。表1与表2给出了RE-LY+EHR及RE-LY+ENGAGE两种融合设计的完整协议映射，明确列出了ITT与Per-protocol效应在多源设定下所需的6条与5条识别假设清单。 - 与 baseline 的对比：对比单源目标试验仅需4条经典假设（一致性、基线可交换性、正概率、重叠），多源融合必须额外声明“无试验参与效应”与“跨源条件可交换性”，且一致性假设需跨源成立。 - 结论的稳健性：框架本身对数据源类型（RCT+观察数据 vs RCT+RCT）具有普适性，但识别假设的满足程度高度依赖具体临床语境（如EHR中入排标准错配通常比RCT间错配更严重）。
四、证明框架 / 方法设计¶
- 识别策略与估计量设计：
- 识别策略：基于非嵌套抽样模型，将目标人群显式定义为超群体的某一层（如“愿意参与RE-LY者”），利用跨源条件可交换性与无试验参与效应，将多源
Maintained by 陈星宇 · Homepage · Source on GitHub