跳转至

Evaluation of treatment effect modification by biomarkers measured pre- and post-randomization in the presence of non-monotone missingness

作者: Yingying Zhuang, Ying Huang, Peter B Gilbert
主题: 因果推断
相关性: 7/10
链接: https://doi.org/10.1093/biostatistics/kxaa040

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：在随机对照试验（RCT）中，如何利用随机化后测量的中间生物标志物来评估治疗效果的异质性（effect modification），同时处理由缺失数据带来的选择偏差。核心挑战在于，中间生物标志物（如疫苗诱导的抗体滴度）在随机化后才被测量，因此它本身可能受治疗影响，且只在部分受试者中可观测到（因缺失或死亡）。主分层（principal stratification）框架（Frangakis & Rubin, 2002）为此提供了因果识别的基础：将受试者按潜在的中间变量值分层（如“无论是否接种疫苗，抗体滴度都会高”），然后评估治疗效应在这些层内的变化。当前，该方向已从单一中间变量（如抗体滴度）的效应修饰分析，扩展到双变量（基线生物标志物 + 随机化后中间生物标志物）的联合效应修饰分析，但后者在非单调缺失（non-monotone missingness）的复杂抽样设计下仍是一个开放问题。

发展脉络（history）

  1. 奠基工作：主分层框架的建立

    • Frangakis & Rubin (2002)：提出了主分层（principal stratification）的概念，将因果效应定义为在由潜在中间变量定义的子群体（principal strata）上的条件平均处理效应（CATE）。这为处理“随机化后变量”的因果推断提供了严格的框架，避免了直接条件于可观测的中间变量（会引入碰撞偏差）。
    • Gilbert & Hudgens (2008)：将主分层应用于疫苗试验，定义了“条件疫苗效力（conditional vaccine efficacy, CVE）”——即疫苗在特定潜在免疫应答层内的效力。他们提出了基于基线协变量和单调缺失假设的识别方法。

  2. 主要进展：从单变量到双变量效应修饰

    • Gilbert, Gabriel, Huang & Chan (2014)：首次将主分层分析扩展到双变量效应修饰，即同时考虑基线生物标志物（如基线抗体滴度）和随机化后中间生物标志物（如疫苗诱导的抗体滴度）对疫苗效力的联合修饰作用。他们假设缺失模式是单调的（monotone missingness）：即如果受试者有随机化后的生物标志物测量值，则也一定有基线测量值。这简化了缺失机制，但限制了实际应用。
    • Huang, Gilbert & Wolfson (2013)：提出了基于估计似然（estimated likelihood）的框架来处理主分层分析中的缺失数据。该方法通过构建联合分布模型，并利用基线协变量来增强识别性，为处理更复杂的缺失模式提供了工具。

  3. 当前前沿与本文的位置

    • 当前前沿：处理非单调缺失（non-monotone missingness）下的双变量效应修饰分析。在非单调缺失下，部分受试者可能仅有随机化后的生物标志物而无基线值，反之亦然。这使得单调缺失假设下的方法失效。
    • 本文的位置：本文（Zhuang, Huang & Gilbert, 2024）直接填补了这一空白。它基于Huang等人（2013）的估计似然框架，提出了处理非单调缺失下双变量主分层分析的方法。作者声称这是“首次”解决该问题（见摘要：“How to conduct the bivariate effect modification analysis in these studies remains an open research question”）。

子线索聚类

这些被引文献大致落在两条子线索上：

  1. 主分层框架的识别与估计：这条线索关注如何利用假设（如单调性、排除限制、工具变量）来识别principal strata的分布，并估计CATE。代表工作包括Frangakis & Rubin (2002)、Gilbert & Hudgens (2008)、Gilbert et al. (2014)。瓶颈：识别假设通常很强且难以验证，尤其是在非单调缺失下。
  2. 缺失数据处理方法：这条线索关注如何利用统计模型（如似然法、多重插补、逆概率加权）来处理由缺失数据引起的偏差。代表工作包括Huang et al. (2013)的估计似然框架。瓶颈：模型假设（如联合分布的正态性、缺失机制的可忽略性）的稳健性，以及在高维协变量下的计算可行性。

这个方向在追问的核心问题

  1. 识别性：在非单调缺失下，双变量principal strata的分布和CVE是否可识别？需要哪些额外的假设（如工具变量、负对照）？
  2. 估计效率：如何利用基线协变量信息来提高CVE的估计效率？估计似然框架能否达到半参数效率界？
  3. 稳健性：当模型假设（如联合正态分布）被违反时，估计结果有多稳健？如何开发对模型误设不敏感的方法（如双稳健估计）？
  4. 高维扩展：当基线协变量维度很高时，如何有效地进行变量选择和模型拟合？

⚠️ 作者的 framing

  • 作者的缺口：作者将缺口frame为“现有方法（Gilbert et al., 2014）假设单调缺失，但实际数据（如登革热疫苗试验）中常出现非单调缺失，因此需要新方法”。这使得本文成为“显然的下一步”。
  • 被淡化或回避的竞争路线：
    • 逆概率加权（IPW）：作者在引言中可能提到IPW，但认为其依赖于缺失机制的正确建模（即倾向性得分模型），而估计似然法对缺失机制假设更灵活。作者没有深入比较两种方法在非单调缺失下的相对优劣。
    • 多重插补（MI）：作者可能提到MI，但认为其需要正确的插补模型，且在处理非单调缺失时可能更复杂。作者没有详细讨论MI与估计似然法的比较。
  • 值得研究者去查的问题：
    • 什么明显该被引/该存在、却没出现在intro里？ 作者没有引用关于非单调缺失下因果推断的更一般性文献，例如使用工具变量或负对照来识别principal strata的工作。这些方法可能提供比估计似然法更稳健的替代方案。研究者可以搜索“non-monotone missingness instrumental variable principal stratification”来确认是否存在相关文献。
    • 张力：未见明显对立引用。所有被引工作都沿着主分层框架的脉络发展，彼此之间没有根本性矛盾。

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：

    • \(Z\)：治疗分配（0 = 安慰剂，1 = 疫苗）。
    • \(Y\)：临床终点（0 = 未感染，1 = 感染）。
    • \(S\)：随机化后测量的中间生物标志物（如抗体滴度）。它是一个潜在变量，有 \(S(0)\)（在安慰剂组下的值）和 \(S(1)\)（在疫苗组下的值）。实际观测到的 \(S = Z S(1) + (1-Z) S(0)\)。
    • \(B\)：基线生物标志物（如基线抗体滴度）。它是可观测的，但存在缺失。
    • \(X\)：基线协变量向量（如年龄、性别、地区），完全可观测。
    • \(R_B\)：基线生物标志物 \(B\) 的缺失指示符（1 = 可观测，0 = 缺失）。
    • \(R_S\)：随机化后生物标志物 \(S\) 的缺失指示符（1 = 可观测，0 = 缺失）。
    • Principal strata：由 \((S(0), S(1))\) 的联合分布定义的子群体。例如，在疫苗试验中，一个常见的分层是“始终有高抗体滴度者”（\(S(0) > c, S(1) > c\)）和“仅疫苗诱导高抗体滴度者”（\(S(0) \le c, S(1) > c\)）。
    • Estimand：条件疫苗效力（CVE），定义为在给定principal strata和基线生物标志物 \(B\) 的条件下，疫苗对临床终点的保护效力。例如，\(CVE(b, s(0), s(1)) = 1 - \frac{P(Y=1 | Z=1, B=b, S(0)=s(0), S(1)=s(1))}{P(Y=1 | Z=0, B=b, S(0)=s(0), S(1)=s(1))}\)。

  • 模型：

    • 数据生成机制：受试者被随机分配到 \(Z\)。基线协变量 \(X\) 和基线生物标志物 \(B\) 是预先存在的。随机化后，受试者可能感染（\(Y\)），并测量中间生物标志物 \(S\)。\(B\) 和 \(S\) 都可能缺失。
    • 缺失机制：假设缺失是可忽略的（missing at random, MAR），即缺失概率仅依赖于可观测变量（\(Z, X, Y\) 以及可能观测到的 \(B\) 或 \(S\) 的一部分）。非单调缺失意味着 \((R_B, R_S)\) 可以取四种值：(1,1), (1,0), (0,1), (0,0)。
    • 要估的对象：principal strata的分布 \(P(S(0), S(1) | B, X)\) 和条件风险 \(P(Y=1 | Z, B, S(0), S(1), X)\)。这些是潜在量，需要通过模型假设来识别。

  • 可观测数据：

    • 研究者实际能观测到的是：\((Z_i, Y_i, X_i, R_{B,i}, R_{S,i}, B_i \text{ if } R_{B,i}=1, S_i \text{ if } R_{S,i}=1)\)。
    • 想要但观测不到：\(S(0)\) 和 \(S(1)\) 的完整联合分布，以及所有缺失的 \(B\) 和 \(S\) 值。主分层分析的核心就是利用可观测数据来推断这些潜在量。

第二步：讲最小内核

最简特例：假设只有两个principal strata（例如，“始终低抗体”和“仅疫苗诱导高抗体”），且 \(B\) 是二值的（高/低）。进一步假设缺失模式是单调的（\(R_B=1\) 当且仅当 \(R_S=1\)），且缺失完全随机（MCAR）。那么，问题退化为一个简单的两样本问题：在“仅疫苗诱导高抗体”层内，比较疫苗组和安慰剂组的感染率。

  • 在这个特例下：
    • 由于缺失是单调且MCAR，我们可以直接使用完整数据（\(R_B=R_S=1\)）来估计principal strata的分布和CVE。
    • 核心思路是：首先，利用疫苗组的数据来估计 \(P(S(1) > c | B)\)。然后，利用安慰剂组的数据来估计 \(P(S(0) \le c | B)\)。最后，通过假设 \(S(0)\) 和 \(S(1)\) 的联合分布（例如，假设它们独立，或通过一个copula模型），来估计“仅疫苗诱导高抗体”层的比例和该层内的CVE。
    • 为什么成立：因为缺失是单调且MCAR，所以完整数据是无偏的样本。主分层分析的核心困难——处理由缺失和选择引起的偏差——在这个特例下消失了。

本文的一般情形：当缺失是非单调且MAR时，完整数据不再是无偏的。例如，如果基线抗体滴度高的受试者更可能缺失随机化后的抗体滴度（\(R_S=0\)），那么仅用完整数据会低估“始终高抗体”层的比例。本文的关键想法是：利用估计似然框架，通过建模所有可观测数据的联合分布（包括缺失指示符），来“填补”缺失值，从而纠正偏差。这相当于将上述特例中的“完整数据”替换为“基于模型估计的完整数据”。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在疫苗试验中，当基线生物标志物（\(B\)）和随机化后中间生物标志物（\(S\)）的缺失模式是非单调时，如何评估它们对疫苗效力（CVE）的联合效应修饰作用。
  2. 核心工具/方法：基于估计似然（estimated likelihood）框架，构建一个联合分布模型来同时处理 \(B\) 和 \(S\) 的缺失，并使用EM算法或直接最大化估计似然来估计模型参数，从而得到CVE的估计。
  3. 主要结论：通过数值模拟和两项登革热疫苗III期试验数据，作者证明了所提方法相比现有方法（如仅用完整数据或假设单调缺失的方法）能更有效地估计CVE，尤其是在非单调缺失比例较高时。

关键设定与假设

  • 设定：在第二节最小记号的基础上，补全完整设定：
    • Principal strata：由 \(S(0)\) 和 \(S(1)\) 的离散化版本定义。例如，将 \(S(0)\) 和 \(S(1)\) 分别分为“低”（\(\le c\)）和“高”（\(> c\)），从而得到四个principal strata。
    • CVE定义：对于每个principal strata和每个基线生物标志物水平 \(B=b\)，定义条件疫苗效力 \(CVE(b, \text{stratum})\)。
    • 缺失模式：非单调缺失，即 \((R_B, R_S)\) 可以取四种值。作者假设缺失机制是可忽略的（MAR），即缺失概率仅依赖于可观测变量（\(Z, X, Y\) 以及部分观测到的 \(B\) 或 \(S\)）。
  • 假设：
    • SUTVA：稳定单元处理值假设（Stable Unit Treatment Value Assumption），即一个受试者的潜在结果不受其他受试者治疗分配的影响。
    • Ignorability of treatment assignment：\(Z\) 是随机分配的，因此与所有潜在变量独立。
    • MAR：缺失机制是可忽略的。
    • 模型假设：作者假设 \(B, S(0), S(1)\) 的联合分布服从一个参数模型（如多元正态分布或混合模型），并且 \(Y\) 的条件分布也服从一个参数模型（如逻辑回归）。这些模型通过基线协变量 \(X\) 来增强灵活性。
  • 相比已有文献：
    • 放宽：相比Gilbert et al. (2014)的单调缺失假设，本文放宽到非单调缺失。
    • 强化：相比Huang et al. (2013)的估计似然框架，本文将其扩展到双变量主分层分析，并处理了更复杂的缺失模式。

主要结果

  • 理论结果：本文为纯应用型论文，没有提供新的理论结果（如渐近正态性、效率界）。作者通过数值模拟来展示方法的有限样本性能。
  • 数值模拟：
    • 设定：模拟了多种场景，包括不同的缺失比例（单调 vs. 非单调）、不同的效应修饰强度、以及不同的模型误设程度。
    • 核心量化结论：
      • 在非单调缺失下，所提方法（估计似然法）的CVE估计偏差和均方误差（MSE）显著小于仅用完整数据的方法和假设单调缺失的方法。
      • 当缺失比例较高时，优势更明显。
      • 当模型假设被轻微违反时，所提方法仍具有一定的稳健性。
    • 与baseline对比：baseline是“完整数据法”（仅用 \(R_B=R_S=1\) 的受试者）和“单调缺失法”（假设缺失是单调的，并丢弃不符合该假设的受试者）。
  • 真实例子：
    • 数据：两项登革热疫苗III期试验（CYD14和CYD15）的数据。这些试验中，基线抗体滴度（\(B\)）和随机化后抗体滴度（\(S\)）都存在非单调缺失。
    • 方法应用：作者将所提方法应用于这些数据，估计了在不同基线抗体滴度和不同principal strata下的CVE。
    • 结果：所提方法揭示了比现有方法更丰富的效应修饰模式。例如，它发现对于基线抗体滴度低的受试者，疫苗效力主要依赖于疫苗诱导的高抗体滴度；而对于基线抗体滴度高的受试者，疫苗效力则相对稳定。
    • 例子想说明什么：这个例子旨在验证所提方法在实际复杂数据中的有效性，并展示其能发现被现有方法掩盖的、有科学意义的效应修饰模式。

证明路线与技术技巧

  • 整体路线：
    1. 构建估计似然：基于可观测数据 \((Z, Y, X, R_B, R_S, B_{\text{obs}}, S_{\text{obs}})\)，写出其似然函数。这个似然函数是边际似然，通过对缺失的 \(B\) 和 \(S\) 以及潜在变量 \(S(0), S(1)\) 进行积分得到。
    2. 参数化模型：对 \(B, S(0), S(1)\) 的联合分布和 \(Y\) 的条件分布进行参数化建模。例如，假设 \(B, S(0), S(1)\) 服从一个多元正态分布，其均值依赖于 \(X\)；\(Y\) 服从一个逻辑回归模型，其线性预测项包含 \(Z, B, S(0), S(1), X\) 及其交互项。
    3. 最大化估计似然：使用EM算法或直接数值优化（如牛顿-拉夫森法）来最大化估计似然，得到模型参数的估计。
    4. 计算CVE：利用估计出的模型参数，计算每个principal strata和每个基线生物标志物水平下的CVE。这通常涉及对潜在变量 \(S(0), S(1)\) 的分布进行积分。
  • 关键跳跃点：
    • 处理非单调缺失：在EM算法的E步中，需要计算缺失的 \(B\) 和 \(S\) 的条件期望。由于缺失模式是非单调的，条件期望的计算依赖于所有可观测变量，这比单调缺失下的计算更复杂。作者通过将缺失模式分为四种情况，并分别推导条件期望的表达式来解决这个问题。
    • 识别性：在非单调缺失下，principal strata的分布可能不可识别。作者通过利用基线协变量 \(X\) 来增强识别性。具体来说，他们假设 \(B, S(0), S(1)\) 的联合分布依赖于 \(X\)，而缺失机制也依赖于 \(X\)。这提供了额外的信息来“锚定”分布。
  • 技术技巧点名：
    • EM算法：用于处理缺失数据。在E步中，计算缺失值的条件期望；在M步中，最大化完全数据似然。
    • 估计似然：一种处理缺失数据的似然方法，通过将缺失机制纳入似然函数来避免对缺失数据分布的直接建模。
    • 数值优化：直接最大化估计似然，使用牛顿-拉夫森法或拟牛顿法。

🔎 结论是否比证明窄

  • 是。作者在摘要和引言中声称所提方法能“有效”处理非单调缺失，但数值模拟和真实例子仅展示了在特定参数模型（如多元正态分布）下的性能。作者没有证明该方法在更一般的非参数或半参数模型下的性质（如一致性、渐近正态性）。因此，结论的适用范围窄于其声称的“有效”。具体来说，作者没有证明：
    • 当模型假设（如联合正态分布）被严重违反时，方法是否仍然有效。
    • 所提方法的CVE估计是否达到半参数效率界。
    • 在什么条件下，principal strata的分布是非参数可识别的。

四、开放问题

  1. 半参数效率界：本文的估计似然法是否达到了CVE的半参数效率界？这需要推导出CVE的有效影响函数（efficient influence function），并证明所提估计量是渐近有效的。扎根点：本文没有讨论效率理论，这是一个明显的理论缺口。
  2. 非参数识别：在非单调缺失下，双变量principal strata的分布和CVE是否可以在不依赖参数模型的情况下被识别？如果可以，需要哪些额外的假设（如工具变量、负对照）？扎根点：本文依赖于参数模型假设（如多元正态分布）来保证识别性，但未讨论非参数识别条件。
  3. 稳健估计：如何开发对模型误设更稳健的CVE估计方法？例如，能否将估计似然法与逆概率加权（IPW）或双稳健估计（DR）相结合？扎根点：本文的数值模拟仅考虑了轻微模型误设，未评估严重误设下的性能。
  4. 高维协变量：当基线协变量 \(X\) 的维度很高时，如何有效地进行变量选择和模型拟合？本文的方法在高维下可能面临计算和过拟合问题。扎根点：本文的模拟和例子中 \(X\) 的维度较低，未讨论高维扩展。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论