Inverse Probability Weighting for Recurrent Event Models¶

作者: Jiren Sun, Tobias Mütze, Tianmeng Lyu
来源: Statistics in Medicine
主题: 因果推断
相关性: 7/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

1. 这个方向是什么¶

这个子方向解决的是临床试验中复发事件结局在存在中期事件时的因果效应估计问题。具体而言，当患者随机化后发生治疗中断、转换、救援用药或死亡等中期事件时，传统的意向性治疗（ITT）分析或符合方案集分析无法回答"假如中期事件不发生，治疗效果如何"这一科学问题。该方向属于因果推断在临床统计中的落地应用，核心是将 ICH E9(R1) 提出的"估计目标"框架与逆概率加权（IPW）、g-计算等因果推断工具结合，识别并估计假设策略下的因果效应。当前该领域正处于从方法提出走向规范化应用的阶段，已有成熟理论但在复发事件场景下的应用尚属空白。

2. 发展脉络¶

奠基工作：估计目标框架的提出 - ICH E9(R1) (2019)：监管层面正式引入"中期事件"概念与五种处理策略，但未规定具体统计方法。 - Clark et al. (2022) [Estimands: bringing clarity and focus...]：通过实例演示如何用估计目标框架精确定义研究问题，明确列举了治疗中断、治疗转换、救援用药、死亡等中期事件类型。 - Keene et al. (2023) [Why estimands are needed...]：指出传统 ITT 和符合方案集分析都无法回答"假如患者未使用救援药物，治疗效果如何"这类问题，估计目标框架是必要补充。

主要进展：假设策略的估计方法 - Latimer et al. (2016, 2018) [Treatment Switching / Simulation Study]：针对生存结局的治疗转换问题，系统比较了秩保持结构失效时间模型（RPSFTM）、逆概率删失加权（IPCW）和两阶段方法，证明 IPW 方法在假设策略下的有效性。作者明确指出："调整方法基于假设，其有效性常受质疑；利益相关者对方法的可接受性存在分歧。" - Olarte Parra et al. (2021) [Hypothetical Estimands...A Unification]：建立了因果推断方法与缺失数据方法的等价性联系，证明某些"因果推断估计量"与"缺失数据估计量"完全相同，帮助两类背景的研究者互相理解。核心贡献是用潜在结果记号清晰陈述了缺失数据方法所依赖的假设。 - Lasch et al. (2022) [Simulation Study...Alzheimer's Disease]：针对阿尔茨海默病试验中症状性治疗药物的使用这一中期事件，模拟研究表明 g-估计方法在假设策略下无偏、保持名义功效和 I 类错误率。 - Grafféo et al. (2019) [ipcwswitch R package]：提供了 IPCW 方法的 R 实现工具，但仅针对生存结局。

当前 Frontier：复发事件场景的空白 - 本文作者指出："IPW 方法已被用于生存结局和连续型结局的假设策略问题，但据我们所知，其在复发事件场景的应用——尤其是涉及 LWYY 和负二项模型时——尚未被探索。"（引用句 16, 17, 12, 13）

本文的位置：首次将 IPW 方法系统性地应用于复发事件临床试验的假设策略估计，填补了从单次事件（生存/连续结局）到复发事件的空白。

3. 子线索聚类¶

线索一：估计目标框架的理论澄清 - Clark et al. (2022)、Keene et al. (2023) 等，聚焦于如何精确定义科学问题、中期事件的分类与处理策略，属于概念框架层面。

线索二：假设策略的因果推断方法 - Latimer et al. (2016, 2018)、Olarte Parra et al. (2021)、Lasch et al. (2022) 等，聚焦于 IPW、g-计算、RPSFTM 等具体估计方法，主要针对生存结局或连续结局。

线索三：复发事件建模 - LWYY 模型、负二项模型等，聚焦于复发事件数据的回归建模，但传统方法不处理中期事件导致的混杂。

本文位于线索二与线索三的交叉点：将线索二的 IPW 方法引入线索三的复发事件模型。

4. 这个方向在追问的核心问题¶

识别问题：在假设策略下，目标因果效应（"假如中期事件不发生"）是否可识别？需要哪些假设？
估计问题：如何构造有效的估计量？如何处理基线混杂与时变混杂？
稳健性问题：当假设不满足时（如存在未测量混杂），估计量的偏差有多大？
计算问题：方差估计是否可靠？Bootstrap 是否适用？

当前主流方法是 IPW 和 g-计算，已知瓶颈包括： - IPW 依赖正确指定倾向性得分模型，极端权重会导致高方差； - g-计算依赖正确指定结局模型，外推风险高； - 两种方法都需要无混淆假设，无法处理未测量混杂。

5. 作者的 Framing¶

作者如何定位缺口： - 明确指出 IPW 已用于生存结局和连续结局，但复发事件场景是空白； - 强调复发事件场景的特殊性：需要同时调整基线混杂和内部时变混杂； - 将 LWYY 和 NB 模型定位为"临床常用工具"，本文方法是对它们的"加权改造"，便于实践者接受。

被淡化或回避的路线： - 未讨论 g-计算作为替代方案； - 未讨论双重稳健估计或增强 IPW（AIPW），这些方法在因果推断文献中已成熟； - 未讨论敏感性分析（如何评估无混淆假设违反的影响）。

明显该被引但未出现的文献： - 复发事件的边际结构模型相关文献； - Robins 的 g-估计经典文献； - 近年关于复发事件因果推断的理论工作（如果存在）。

这是值得研究者去查的问题：是否存在复发事件因果推断的理论框架？本文是否是首次尝试，还是已有理论但未被引用？

6. 张力¶

未见明显对立引用。被引文献之间主要是互补关系：不同方法在不同场景下的应用。Latimer et al. (2018) 指出不同方法在不同场景下表现不同，但未发现根本性矛盾。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据¶

符号定义： - \(i = 1, \ldots, n\)：患者索引，\(n\) 为样本量。 - \(A_i \in \{0, 1\}\)：随机分配的治疗组（二值，\(1\) 为实验组，\(0\) 为对照组）。 - \(\mathbf{X}_i\)：基线协变量向量（可观测）。 - \(N_i(t)\)：复发事件计数过程，\(t \in [0, \tau]\)，\(\tau\) 为随访截止时间。\(N_i(t)\) 表示患者 \(i\) 在时间 \(t\) 前的复发事件累计次数。 - \(C_i(t)\)：时变协变量过程（内部时变协变量，如疾病严重程度指标）。 - \(D_i\)：中期事件发生时间（如治疗中断、死亡）。\(D_i = \infty\) 表示未发生中期事件。 - \(Y_i = \min(D_i, \tau)\)：中期事件或随访截止的较早者。 - \(\Delta_i = I(D_i \leq \tau)\)：中期事件指示变量，\(\Delta_i = 1\) 表示在随访期间发生了中期事件。 - \(S_i(t) = I(Y_i \geq t)\)：患者在时间 \(t\) 仍处于"风险中"（未发生中期事件且未删失）的指示变量。 - \(\pi_i(t) = P(S_i(t) = 1 \mid A_i, \mathbf{X}_i, \bar{C}_i(t), S_i(t^-) = 1)\)：患者在时间 \(t\) 仍处于风险中的条件概率（逆概率权重的核心）。

模型（数据生成机制）： - 复发事件过程 \(N_i(t)\) 服从 LWYY 模型或负二项模型： - LWYY 模型：\(\lambda_i(t) = \lambda_0(t) \exp(\beta A_i + \boldsymbol{\gamma}^T \mathbf{X}_i)\)，其中 \(\lambda_i(t)\) 是复发事件的强度函数。 - 负二项模型：\(N_i(\tau) \sim \text{NegBin}(\mu_i, \kappa)\)，\(\mu_i = \exp(\beta A_i + \boldsymbol{\gamma}^T \mathbf{X}_i)\)，\(\kappa\) 为过度离散参数。 - 中期事件 \(D_i\) 依赖于治疗、基线协变量和时变协变量，形成混杂。

可观测数据： - 可观测：\(\{A_i, \mathbf{X}_i, N_i(t), C_i(t), D_i, \Delta_i\}_{i=1}^n\)。 - 不可观测（潜在结果）：\(N_i^{(a, d=\infty)}(t)\)，即在治疗 \(a\) 下且中期事件不发生时的复发事件计数过程。这是目标估计量所依赖的潜在结果。

目标估计量： - 假设策略下的治疗效应：\(\theta = E[N^{(1, d=\infty)}(\tau)] - E[N^{(0, d=\infty)}(\tau)]\)，即假如中期事件不发生，实验组与对照组的复发事件期望次数之差。

第二步：最小内核¶

最简特例：单一时间点、二值中期事件、无时变协变量

考虑最简单情形： - 只有一个随访时间点 \(\tau\)； - 中期事件 \(D_i\) 只能取 \(\tau\) 或 \(\infty\)（即只在随访结束时发生或不发生）； - 无时变协变量，只有基线协变量 \(\mathbf{X}_i\)。

此时，目标估计量退化为：

\[\theta = E[N^{(1, d=\infty)}(\tau)] - E[N^{(0, d=\infty)}(\tau)]\]

识别问题： - 可观测数据中，发生中期事件的患者（\(\Delta_i = 1\)）的 \(N_i(\tau)\) 被截断，无法观测到"假如中期事件不发生"时的复发次数。 - 若中期事件与复发事件相关（如病情恶化导致治疗中断），直接比较两组的 \(N_i(\tau)\) 会产生混杂偏差。

IPW 的核心思想： - 将发生中期事件的患者视为"删失"，用逆概率加权"恢复"他们代表的总体。 - 权重 \(W_i = 1 / P(\Delta_i = 0 \mid A_i, \mathbf{X}_i)\)，即中期事件不发生的概率的倒数。 - 直觉：一个中期事件不发生的患者，代表了 \(W_i\) 个"和他相似但中期事件发生"的患者。

估计量：

\[\hat{\theta} = \frac{1}{n} \sum_{i=1}^n W_i \cdot N_i(\tau) \cdot (A_i - (1-A_i))\]

为什么成立： - 在无混淆假设下（\(N^{(a, d=\infty)}(\tau) \perp \Delta \mid A, \mathbf{X}\)），加权后的样本近似于"假如中期事件不发生"的总体。 - 数学上，\(E[W \cdot N(\tau) \mid A=a] = E[N^{(a, d=\infty)}(\tau)]\)。

推广到复发事件场景： - 复发事件是计数过程 \(N_i(t)\)，中期事件可在任意时间点发生； - 需要动态加权：在每个时间点 \(t\)，计算患者仍在风险中的概率 \(\pi_i(t)\)； - 权重变为累积乘积：\(W_i(t) = \prod_{s \leq t} 1 / \pi_i(s)\)； - 将权重代入 LWYY 或 NB 模型的伪得分函数，得到加权估计量。

三、这篇论文做了什么¶

三句话¶

研究了复发事件临床试验中，在假设策略下（"假如中期事件不发生"）估计治疗效应的问题。
核心方法是逆概率加权（IPW），对临床常用的 LWYY 和负二项模型进行加权改造，调整基线和内部时变混杂。
主要结论是：模拟研究表明，所提 IPW 估计量在偏差和功效上优于替代方法（如忽略中期事件、删失中期事件患者等）。

关键设定与假设¶

设定： - 复发事件数据：每个患者有事件发生时间序列 \(\{t_{i1}, t_{i2}, \ldots\}\)，或等价地，计数过程 \(N_i(t)\)。 - 中期事件：治疗中断、治疗转换、救援用药、死亡等，发生时间为 \(D_i\)。 - 随访时间：\([0, \tau]\)，患者可能在 \(\tau\) 前发生中期事件或被删失。

假设： 1. 无混淆假设：给定基线协变量 \(\mathbf{X}\) 和时变协变量历史 \(\bar{C}(t)\)，中期事件过程与复发事件过程条件独立。即 \(N^{(a, d=\infty)}(t) \perp D \mid A, \mathbf{X}, \bar{C}(t)\)。 - 统计含义：所有影响中期事件和复发事件的共同混杂因素都已测量并纳入模型。 - 相比已有文献：与 Latimer et al. (2018)、Olarte Parra et al. (2021) 的假设一致，但扩展到复发事件场景。

正定性假设：中期事件不发生的条件概率有下界，\(\pi_i(t) \geq \epsilon > 0\)。
统计含义：避免极端权重导致的数值不稳定。
模型正确设定：倾向性得分模型（用于估计 \(\pi_i(t)\)）和复发事件模型（LWYY 或 NB）正确设定。
这是 IPW 方法的固有局限，本文未讨论双重稳健估计。

定义： - 假设策略估计目标：\(E[N^{(a, d=\infty)}(\tau)]\)，即在治疗 \(a\) 下且中期事件不发生时的复发事件期望次数。 - IPW 权重：\(W_i = \prod_{t \leq \tau} \frac{S_i(t)}{\hat{\pi}_i(t)}\)，其中 \(\hat{\pi}_i(t)\) 是估计的中期事件不发生概率。

主要结果¶

定理 1（识别性，文中隐含）：在无混淆假设和正定性假设下，假设策略下的因果效应可识别：

\[E[N^{(a, d=\infty)}(\tau)] = E\left[\int_0^\tau W(t) \, dN(t) \mid A=a\right]\]

其中 \(W(t)\) 是 IPW 权重。

定理 2（估计量的渐近性质，文中未显式陈述但模拟验证）： IPW 加权的 LWYY 和 NB 估计量是一致的，渐近正态分布。方差可通过 Bootstrap 或三明治估计量获得。

模拟研究结果： - 数据生成机制：复发事件服从 LWYY 或 NB 模型，中期事件依赖于治疗、基线协变量和时变协变量。 - 比较方法： 1. 忽略中期事件（继续计入事件）； 2. 删失中期事件患者； 3. 本文 IPW 方法。 - 结果： - 忽略中期事件：偏差最大，因为混杂未调整； - 删失中期事件患者：偏差中等，因为选择偏差； - IPW 方法：偏差最小，功效最高。 - 稳健性：当倾向性得分模型误设时，IPW 方法的偏差增大但仍优于替代方法。

证明路线与技术技巧¶

整体路线： 1. 识别阶段：用潜在结果框架定义目标估计量，在无混淆假设下证明可识别性。 2. 估计阶段：构造 IPW 权重，代入 LWYY 或 NB 模型的伪得分函数。 3. 推断阶段：用 Bootstrap 估计方差，构造置信区间。

关键跳跃点： - 时变混杂的处理：复发事件场景中，时变协变量 \(C(t)\) 既是复发事件的预测因子，也影响中期事件。本文采用"动态加权"策略，在每个事件时间点更新权重。 - 权重稳定性：极端权重会导致高方差。本文采用权重截断（weight truncation）或稳定权重来缓解。

技术技巧： - 计数过程理论：用 \(dN(t)\) 表示事件增量，\(\lambda(t) dt\) 表示强度，便于处理复发事件。 - 边际结构模型：IPW 方法本质上是边际结构模型在复发事件场景的应用。 - Bootstrap 方差估计：参考 Austin (2016) 的建议，用 Bootstrap 估计加权模型的方差。

真实例子与应用¶

本文为方法论文，主要贡献是模拟研究，未提供真实数据案例。模拟研究设计如下：

数据生成机制： - 样本量 \(n = 500\)； - 基线协变量 \(X \sim N(0, 1)\)； - 治疗 \(A \sim \text{Bernoulli}(0.5)\)； - 时变协变量 \(C(t)\) 依赖于 \(X\) 和 \(A\)； - 复发事件强度 \(\lambda(t) = \lambda_0 \exp(\beta A + \gamma X + \delta C(t))\)； - 中期事件风险 \(h(t) = h_0 \exp(\alpha A + \eta X + \theta C(t))\)。

模拟场景： - 场景 1：中期事件与复发事件独立（无混杂）； - 场景 2：中期事件与复发事件相关，仅基线混杂； - 场景 3：中期事件与复发事件相关，存在时变混杂。

结果： - 场景 1：所有方法表现相近； - 场景 2 和 3：IPW 方法偏差最小，覆盖概率接近名义水平。

这个例子想说明什么： - 验证 IPW 方法在假设策略下的有效性； - 展示时变混杂调整的必要性； - 为实践者提供方法选择依据。

结论是否比证明窄¶

本文主要依赖模拟验证，未提供严格的渐近理论证明。文中声称 IPW 估计量"一致且渐近正态"，但未给出定理陈述和证明。这是方法应用型论文的常见特点，理论严格性不如纯统计理论论文。

四、开放问题¶

双重稳健估计：本文仅考虑 IPW 方法，未讨论结合 IPW 和 g-计算的双重稳健估计。若结局模型或倾向性得分模型之一正确，双重稳健估计量仍一致。扎根于 Olarte Parra et al. (2021) 的讨论——"因果推断估计量与缺失数据估计量的等价性"——可探索复发事件场景下的双重稳健估计量。
敏感性分析：无混淆假设不可检验，如何评估假设违反的影响？扎根于 Latimer et al. (2018) 的讨论——"调整方法基于假设，其有效性常受质疑"——可开发复发事件场景的敏感性分析方法。
竞争风险：中期事件可能是死亡（终止复发事件过程），此时假设策略（"假如死亡不发生"）的临床解释存疑。扎根于 ICH E9(R1) 的五种策略——假设策略可能不适用于死亡这类终止性中期事件——可探索其他策略（如治疗策略、复合策略）在复发事件场景的应用。
高维协变量：当时变协变量维度高时，倾向性得分模型的估计面临挑战。扎根于本文的模拟研究仅考虑低维协变量——可探索机器学习方法（如 Super Learner、DML）估计倾向性得分和复发事件模型。

Maintained by 陈星宇 · Homepage · Source on GitHub