跳转至

Regression models for average hazard

作者: Hajime Uno, Lu Tian, Miki Horiguchi, Satoshi Hattori, Kenneth L Kehl
来源: Biometrics
主题: 因果推断
相关性: 4/10
机构绿灯: Stanford University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomtc/ujae037

一、领域脉络与小综述

这个方向是什么

这个子方向的核心问题是：在时间-事件结局（time-to-event outcome）的临床试验或流行病学研究中，如何用一个统计量来度量治疗效应，使其既具有清晰的流行病学解释，又不受传统 Cox 比例风险模型中比例风险假设（PH 假设）的限制？ 传统上，Cox 模型的风险比（Hazard Ratio, HR）是最常用的度量，但它的解释依赖于 PH 假设，且当该假设不成立时，HR 会随时间变化，导致单一数值无法概括整个时间窗口的效应。此外，HR 的“相对风险”解释在非医学背景的读者中常被误解。当前，替代度量（如限制性平均生存时间 RMST、平均风险 AH）正在获得关注，但它们的回归建模（即允许调整协变量）仍处于发展阶段，成熟度低于 Cox 模型。

发展脉络（history）

根据本文 introduction 的引用，该领域的发展可串成以下线索：

  1. 奠基工作：Cox 模型与 PH 假设的局限性被广泛讨论。

    • Cox (1972)：提出比例风险模型，成为生存分析的标准工具。但本文引用指出，其局限性（如 PH 假设不成立时 HR 的解释问题）已被广泛讨论（引用：Hernán, 2010; Uno et al., 2014; Stensrud & Hernán, 2020）。
    • Hernán (2010)：明确指出了 HR 在因果推断中的问题——即使在没有混杂的情况下，HR 也可能因“健康幸存者效应”而产生偏倚，不能直接解释为因果效应。本文引用它来定位“HR 有问题”这一共识。

  2. 主要进展：替代度量的提出与两样本比较。

    • RMST（限制性平均生存时间）：作为 HR 的替代，RMST 在给定时间窗口 τ 内计算平均生存时间，具有直观的“平均生存时间”解释。本文引用 Royston & Parmar (2013) 和 Uno et al. (2014) 作为 RMST 回归分析的代表工作。RMST 的回归模型（如伪观测值法）已被开发。
    • AH（平均风险）：本文作者 Uno et al. (2015) 在两样本比较中首次提出了 AH，定义为“给定时间窗口 τ 内，无删失的人时发病率”。它比 RMST 更接近流行病学中的“发病率”概念，且对删失机制更稳健（在独立删失下，AH 的估计不依赖于删失分布的正确建模）。本文的定位是：将 AH 从两样本比较推广到回归分析。

  3. 当前 Frontier 与本文位置：

    • 当前 Frontier：如何为这些替代度量（RMST, AH）建立灵活的回归模型，允许调整协变量，同时保持其解释优势。本文的位置：它填补了“AH 回归分析”这一空白。作者声称，虽然 AH 在两样本比较中已有，但“regression analysis approach for the AH with a truncation time τ”是新的。它提供了三种删失机制下的回归框架，并展示了其与稳健 Poisson 回归的联系与区别。

子线索聚类

这些被引文献大致落在 2 条子线索上：

  • 线索一：传统 HR 的局限性讨论与替代度量的提出。

    • 做什么：批评 HR 的可解释性问题，并提出新的、更直观的效应度量（如 RMST, AH）。
    • 代表工作：Hernán (2010), Uno et al. (2014), Uno et al. (2015)。
    • 当前状态：共识已形成，替代度量被广泛接受。

  • 线索二：替代度量的回归建模。

    • 做什么：为 RMST 或 AH 开发回归模型，允许调整协变量，从而在因果推断或流行病学分析中控制混杂。
    • 代表工作：Royston & Parmar (2013) 的 RMST 回归；本文的 AH 回归。
    • 当前状态：RMST 回归相对成熟；AH 回归是本文的新贡献，尚处于早期。

这个方向在追问的核心问题

  1. 如何定义“可解释”的效应度量？ 是 RMST（平均生存时间差）还是 AH（发病率比/差）？哪种对临床医生和患者更直观？
  2. 如何建立回归模型？ 对于 RMST 和 AH，其回归模型通常不是线性的，需要借助伪观测值（pseudo-observations）或稳健 Poisson 回归等技巧。这些方法的效率如何？对删失机制的稳健性如何？
  3. 如何选择时间窗口 τ？ 无论是 RMST 还是 AH，都需要指定一个截断时间 τ。τ 的选择会影响效应估计，如何选择最优或最稳健的 τ 是一个开放问题。
  4. 与 Cox 模型的比较： 在 PH 假设成立时，AH 回归的效率是否接近 Cox 模型？在 PH 假设不成立时，AH 回归的优势有多大？

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么？ 作者将缺口 frame 为：“虽然 AH 在两样本比较中已被提出，但缺乏一个通用的回归框架来调整协变量。” 因此，本文是“显然的下一步”——将 AH 从简单比较推广到回归分析。作者通过强调“AH 回归可以同时提供绝对差和相对比”以及“对删失更稳健”来强化其必要性。
  • 哪些竞争路线被他淡化或回避了？ 作者淡化了 RMST 回归的成熟性。虽然引用了 RMST 回归的工作，但并未深入比较 AH 回归与 RMST 回归在效率或解释上的优劣。作者回避了“当 τ 很大时，AH 估计的方差会很大”这一潜在问题（因为 τ 越大，删失越多，有效样本量越小）。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 本文没有引用任何关于 半参数效率理论 的工作。对于 AH 回归，其半参数效率界是什么？本文提出的稳健 Poisson 回归估计量是否达到了效率界？这是一个明显的理论缺口。此外，没有引用 因果推断中的 g-computation 或 IPW 方法，这些方法也可以用于估计调整协变量后的平均效应，与 AH 回归有潜在联系。

张力

未见明显对立引用。所有被引工作都一致认为 HR 有局限性，并支持发展替代度量。主要张力在于“哪种替代度量最好”，但这在本文中未被深入讨论。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • T：生存时间（随机变量），是潜在的、可能被删失的结局。
    • C：删失时间（随机变量）。我们观测不到 T，只能观测到 X = min(T, C) 和事件指示符 δ = I(T ≤ C)。
    • Z：协变量向量（可以是处理组指示符、基线协变量等）。
    • τ：截断时间（truncation time），是一个预先指定的常数，表示我们感兴趣的时间窗口 [0, τ]。
    • AH(τ)：平均风险（Average Hazard），定义为 AH(τ) = E[ I(T ≤ τ) ] / E[ min(T, τ) ]。分子是“在 τ 之前发生事件的概率”，分母是“在 τ 之前期望的生存时间”（即限制性平均生存时间 RMST）。因此，AH(τ) 可以解释为“在 [0, τ] 内，每单位人时的平均事件数”。
    • λ(t)：风险函数（hazard function）。
    • S(t)：生存函数（survival function）。

  • 模型：

    • 我们假设一个对数线性模型来建模 AH(τ) 与协变量 Z 的关系： log( AH(τ | Z) ) = β₀ + β₁ * Z₁ + ... + βₚ * Zₚ 或者，对于绝对风险差，我们可以直接建模 AH(τ | Z) = γ₀ + γ₁ * Z₁ + ... + γₚ * Zₚ。
    • 本文主要关注相对风险（即对数线性模型），因为这与稳健 Poisson 回归直接对应。
    • 删失机制：本文考虑了三种删失机制，这是模型的关键部分：
      1. 独立删失（Independent Censoring）：C 与 T 在给定 Z 下独立。这是最标准的假设。
      2. 组别特异性删失（Group-Specific Censoring）：C 的分布只依赖于处理组（Z 的一个子集），但与 T 独立。
      3. 协变量依赖删失（Covariate-Dependent Censoring）：C 的分布依赖于所有协变量 Z，但与 T 独立。这是最一般的假设。

  • 可观测数据：

    • 研究者实际能观测到的是 n 个独立同分布的样本：{ (Xᵢ, δᵢ, Zᵢ) }，其中 i = 1, ..., n。
    • Xᵢ = min(Tᵢ, Cᵢ) 是观测到的生存时间（或删失时间）。
    • δᵢ = I(Tᵢ ≤ Cᵢ) 是事件指示符（1=事件发生，0=删失）。
    • Zᵢ 是协变量向量。
    • 我们想要但观测不到的是：完整的生存时间 Tᵢ。我们只能通过假设（如独立删失）来识别 AH(τ)。

第二步：讲最小内核

本文的核心思路可以归结为一个最简特例：只有两个处理组（Z = 0 或 1），且删失是独立的（机制 1）。

在这个特例下，我们要估计的是： * AH₀(τ) = AH(τ | Z=0)：对照组在 [0, τ] 内的平均风险。 * AH₁(τ) = AH(τ | Z=1)：处理组在 [0, τ] 内的平均风险。

核心思路：AH(τ) 可以写成： AH(τ) = E[ I(T ≤ τ) ] / E[ min(T, τ) ]

这个形式非常关键。它不是一个简单的“事件数 / 总人时”，因为分母是期望值。但我们可以用逆概率删失加权（IPCW） 或直接估计来得到它的无偏估计。

最简例子：假设没有删失（C = ∞）。那么： * AH(τ) 的估计量就是 (事件数) / (总生存时间)，即 (∑ I(Tᵢ ≤ τ)) / (∑ min(Tᵢ, τ))。 * 这本质上是一个比率估计量。如果我们想比较两组，可以计算 AH₁(τ) / AH₀(τ)（相对风险）或 AH₁(τ) - AH₀(τ)（绝对风险差）。

本文的关键想法：当存在删失时，我们不能直接观测到 I(T ≤ τ) 和 min(T, τ)。但我们可以通过稳健 Poisson 回归来估计 AH(τ | Z)。

  • 稳健 Poisson 回归：如果我们把 I(T ≤ τ) 看作一个二值结局（在 τ 之前是否发生事件），那么 E[ I(T ≤ τ) | Z ] 就是事件概率。如果我们用 Poisson 回归（对数链接）来建模这个概率，得到的系数就是 log(相对风险)。
  • 问题：Poisson 回归假设 I(T ≤ τ) 服从 Poisson 分布，但实际它服从 Bernoulli 分布。不过，Poisson 回归的估计量在模型误设下仍然是相合的（只要均值模型正确），这就是“稳健”的含义。它通过“工作模型”（working model）来估计参数，并使用“三明治方差估计”来得到正确的标准误。
  • 本文的贡献：本文指出，在存在删失时，我们不能直接使用 I(T ≤ τ)，因为对于删失的个体，我们不知道它是否在 τ 前发生事件。因此，作者提出了一个加权版本的稳健 Poisson 回归：
    • 对于每个个体，我们定义一个生存权重 wᵢ = I(Xᵢ ≥ τ) / Ĝ(τ | Zᵢ)，其中 Ĝ(τ | Zᵢ) 是删失时间 C 在 τ 时刻的生存概率的估计（即 P(C > τ | Zᵢ) 的估计）。
    • 这个权重的作用是：只使用那些在 τ 时刻仍然存活（未被删失）的个体，并通过逆概率加权来纠正因删失导致的样本选择偏差。
    • 然后，我们对加权后的数据 { wᵢ * I(Xᵢ ≤ τ), Zᵢ } 进行稳健 Poisson 回归。

最小内核总结：本文的核心数学操作是将 AH(τ) 的估计问题转化为一个加权二值结局的稳健 Poisson 回归问题。这个转化之所以成立，是因为 AH(τ) = E[ I(T ≤ τ) ] / E[ min(T, τ) ] 可以写成 E[ I(T ≤ τ) ] / E[ ∫₀^τ I(T > t) dt ]，而后者可以通过 IPCW 技巧来估计。最终，AH 回归的系数可以通过一个加权广义线性模型（WGEE） 来求解，其方差可以通过三明治估计量来得到。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了如何对平均风险（AH） 进行回归建模，以在调整协变量的同时，估计时间-事件结局的治疗效应（绝对差和相对比）。
  2. 核心工具 / 方法：本文的核心工具是加权稳健 Poisson 回归，通过引入生存权重来处理删失，并利用三明治方差估计来获得正确的标准误。
  3. 主要结论：本文提出了三种删失机制下的 AH 回归方法，证明了其估计量的相合性和渐近正态性，并通过模拟和真实数据例子展示了其相对于传统 Cox 模型和未调整的 AH 比较的优势。

关键设定与假设

  • 设定：我们有一个时间-事件结局 T，一个删失时间 C，一个协变量向量 Z。我们感兴趣的是在时间窗口 [0, τ] 内的平均风险 AH(τ | Z) = E[ I(T ≤ τ) | Z ] / E[ min(T, τ) | Z ]。
  • 假设：
    1. 可忽略的删失（Conditionally Independent Censoring）：T ⟂ C | Z。这是所有三种机制的基础。它意味着在给定协变量 Z 后，删失时间与生存时间独立。这是生存分析的标准假设。
    2. 删失机制模型：对于机制 3（协变量依赖删失），我们需要正确指定删失时间 C 的生存模型 G(t | Z) = P(C > t | Z)。本文使用 Cox 模型来估计 G(t | Z)。对于机制 1 和 2，这个模型可以更简单（如 Kaplan-Meier 估计）。
    3. 正定性（Positivity）：P(C > τ | Z) > 0 对于所有 Z 成立。这意味着在 τ 时刻，对于任何协变量组合，都有一些个体未被删失。这是 IPCW 方法的标准要求。
    4. 模型正确指定：AH 回归模型（如 log(AH(τ | Z)) = β'Z）被假设为正确指定的。这是所有参数回归模型的标准假设。

主要结果

  • 定理 1（机制 1：独立删失）：提出了一个简单的估计量，通过 Kaplan-Meier 估计删失分布，然后对加权数据进行稳健 Poisson 回归。该估计量是相合且渐近正态的。
  • 定理 2（机制 2：组别特异性删失）：类似于机制 1，但删失分布是按组别（如处理组）分别估计的。
  • 定理 3（机制 3：协变量依赖删失）：这是最一般的情况。需要先用 Cox 模型估计删失时间 C 的条件生存函数 G(t | Z)，然后使用该估计值计算权重，再进行加权稳健 Poisson 回归。该估计量也是相合且渐近正态的，但需要满足一个关键条件：删失模型（Cox 模型）被正确指定。
  • 核心量化结论：模拟结果显示，当 PH 假设不成立时，AH 回归的估计量（如风险比）比 Cox 模型的 HR 更稳定、更接近真实值。当 PH 假设成立时，AH 回归的效率略低于 Cox 模型，但差距不大。与未调整的 AH 比较相比，调整协变量后的 AH 回归能减少混杂偏倚。

证明路线与技术技巧

  • 整体路线：
    1. 定义目标参数：β 是 log(AH(τ | Z)) = β'Z 中的回归系数。
    2. 构造估计方程：AH 回归的估计方程可以写成加权 Poisson 回归的得分方程：∑ wᵢ * Zᵢ * ( I(Xᵢ ≤ τ) - exp(β'Zᵢ) ) = 0，其中 wᵢ 是生存权重。
    3. 处理删失：生存权重 wᵢ = I(Xᵢ ≥ τ) / Ĝ(τ | Zᵢ) 通过 IPCW 技巧来纠正删失。Ĝ(τ | Zᵢ) 是删失时间 C 的条件生存函数的估计。
    4. 渐近分析：证明的关键是处理估计的权重 Ĝ(τ | Zᵢ) 带来的额外变异性。作者使用 M-估计理论 和 Delta 方法 来推导 β̂ 的渐近分布。具体来说，他们将 β̂ 视为一个两步估计量：第一步估计删失模型，第二步求解加权估计方程。通过将估计方程在真实参数处进行泰勒展开，并利用 经验过程理论 来处理估计的权重，他们证明了 β̂ 的渐近正态性，并给出了一个三明治方差估计量。
  • 关键跳跃点：
    • 跳跃点 1：如何证明 β̂ 的相合性，即使删失模型被误设？作者指出，对于机制 1 和 2，由于删失分布是独立于 T 的，即使删失模型被误设，IPCW 权重仍然能给出相合的估计（只要删失分布被正确估计）。但对于机制 3，如果删失模型被误设，估计量可能不一致。这是本文的一个关键发现。
    • 跳跃点 2：如何推导三明治方差估计量？由于权重是估计的，方差估计需要同时考虑估计方程本身的变异性和权重估计的变异性。作者通过 M-估计的联合推断 框架，将 β̂ 和 Ĝ 的参数视为一个联合参数向量，然后推导其联合渐近分布，从而得到 β̂ 的边际方差。
  • 技术技巧点名：
    • IPCW（逆概率删失加权）：用于处理删失，是本文方法的核心。
    • 稳健 Poisson 回归 / WGEE（加权广义估计方程）：用于估计回归系数，并得到稳健的标准误。
    • M-估计理论：用于推导估计量的渐近性质。
    • 三明治方差估计：用于获得正确的标准误，考虑了权重估计的不确定性。
    • 经验过程理论：用于处理估计的权重函数 Ĝ(t | Z) 的随机性。

真实例子与应用

  • 用的什么数据 / 场景：本文使用了两个真实数据例子：
    1. Eastern Cooperative Oncology Group (ECOG) 临床试验数据：比较两种化疗方案（etoposide + cisplatin vs. etoposide + carboplatin）对广泛期小细胞肺癌患者的生存影响。
    2. National Cancer Database (NCDB) 数据：比较手术 vs. 非手术治疗对早期非小细胞肺癌患者的生存影响。
  • 怎么把本文方法用上去：对于每个数据集，作者都指定了一个截断时间 τ（例如，ECOG 数据中 τ=2 年），然后使用 AH 回归（机制 3，协变量依赖删失）来估计调整协变量后的治疗效应（风险比和风险差）。同时，他们也报告了 Cox 模型的 HR 和未调整的 AH 比较作为对比。
  • 得到什么结果：
    • ECOG 数据：Cox 模型的 HR 为 0.80（95% CI: 0.63-1.02），不显著。AH 回归的风险比为 0.72（95% CI: 0.56-0.93），显著。作者认为 AH 回归的结果更符合临床预期（新方案更好），且其解释（“在 2 年内，新方案使死亡风险降低了 28%”）比 HR 更直观。
    • NCDB 数据：Cox 模型的 HR 为 0.62（95% CI: 0.58-0.66），显著。AH 回归的风险比为 0.55（95% CI: 0.51-0.59），也显著。两者结论一致，但 AH 回归提供了绝对风险差（-0.12，即 5 年死亡风险降低 12%），这在临床决策中更有用。
  • 这个例子想说明什么：这两个例子旨在展示 AH 回归的实用性和解释优势。第一个例子展示了当 PH 假设可能不成立时，AH 回归能提供更稳定、更显著的效应估计。第二个例子展示了 AH 回归能同时提供相对和绝对效应度量，便于临床沟通。

🔎 结论是否比证明窄

  • 窄的地方：本文的证明主要依赖于删失模型被正确指定（对于机制 3）。但在真实数据例子中，作者使用了 Cox 模型来估计删失分布，并假设其正确。作者在讨论中承认了这一点，并指出“misspecification of the censoring model may lead to biased estimates”。这是一个重要的局限性。
  • 泛泛 claim 的地方：作者在摘要和引言中声称 AH 回归“can be more robust than Poisson regression in the presence of censoring”。这个 claim 在文中被证明了吗？实际上，本文的 AH 回归就是一个加权版本的稳健 Poisson 回归。它比“未加权的”Poisson 回归更稳健，因为后者会因删失而产生偏倚。但作者没有与“使用 IPCW 的 Poisson 回归”进行比较，所以这个 claim 有点模糊。

四、开放问题

  1. 半参数效率界：本文提出的加权稳健 Poisson 回归估计量是否达到了 AH(τ | Z) 的半参数效率界？这是一个重要的理论问题，扎根于本文未引用任何半参数效率理论这一事实。研究者可以尝试推导 AH 回归的 efficient influence function，并比较本文估计量的方差是否达到了该下界。
  2. 删失模型误设的稳健性：本文的机制 3 要求删失模型被正确指定。能否开发一个双重稳健的 AH 回归估计量，使得只要结局模型（AH 回归模型）或删失模型之一被正确指定，估计量就是相合的？这类似于因果推断中的双重稳健估计。扎根于本文讨论部分对删失模型误设的担忧。
  3. 最优 τ 的选择：AH 回归依赖于截断时间 τ 的选择。如何基于数据选择最优的 τ？是否存在一个“最小化方差”或“最大化检验功效”的 τ 选择准则？这是一个开放问题，扎根于本文未讨论 τ 的选择。
  4. 与 RMST 回归的效率比较：本文没有与 RMST 回归进行系统的效率比较。在什么条件下，AH 回归比 RMST 回归更有效？反之亦然？这是一个实证问题，扎根于本文未进行此类比较。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论