跳转至

Estimating the causal effects of multiple intermittent treatments with application to COVID-19

作者: Liangyuan Hu, Jiayi Ji, Himanshu Joshi, Erick R Scott, Fan Li
来源: Journal of the Royal Statistical Society Series C
主题: 因果推断
相关性: 8/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

本子方向的核心问题是：在观察性纵向数据中，如何估计多个间歇性时变治疗（即患者可以多次开始、停止、切换的治疗）对生存结局的因果效应？ 其根本困难在于：① 时变混杂（time-varying confounding）——治疗决策受过去治疗和过去结局影响，而过去治疗又影响当前结局，导致标准回归或分层失效；② 间歇性治疗模式——治疗不是一次性分配，而是随时间反复开关，传统边际结构模型（MSM）的离散时间权重方法需要人为对齐测量时间点，这在数据不规则时引入偏倚；③ 删失（censoring）——患者可能因死亡、失访等原因提前退出，需同时处理。当前该方向处于方法快速发展但尚未成熟的阶段：已有离散时间 MSM 和 g-formula 等工具，但对间歇性治疗和不规则测量时间的处理仍是开放挑战。

发展脉络（history）

  1. 奠基工作：边际结构模型（MSM）与 g-formula
  2. Robins (1992, Biometrika)：提出结构嵌套模型（SNM），首次系统处理时变混杂下的因果推断，为后续 MSM 奠定理论基础。
  3. Hernán et al. (2001, JASA)：正式提出边际结构模型（MSM）及逆概率加权（IPW）估计量，将时变治疗效应估计转化为加权 Cox 模型问题，成为该领域标准工具。
  4. Robins et al. (2008)：将 MSM 扩展至动态治疗规则（dynamic treatment regimes），允许治疗决策依赖于患者历史状态。

  5. Wen et al. (2020, Statistics in Medicine)：系统比较了 g-formula 的两种实现（非迭代条件期望 vs. 迭代条件期望），指出在无模型误设时两者效率相近，为实际应用提供指导。

  6. 主要进展：连续时间方法与间歇性治疗

  7. Lok (2004, Statistics in Medicine)：首次将结构嵌套模型形式化到连续时间框架，证明估计量的一致性和渐近正态性，并指出无需指定治疗效应模型即可检验治疗是否影响结局。
  8. Hu & Hogan (2019, Biometrics)：针对连续时间治疗启动过程，提出加权策略处理稀疏测量和删失，将 MSM 扩展至动态连续时间治疗规则。
  9. Yang et al. (2018, Biometrika)：提出连续时间结构失效时间模型，并首次推导出半参数双稳健估计量（doubly robust estimator），在治疗过程模型或失效时间模型之一正确时即一致。

  10. Howe et al. (2012, Epidemiology)：通过联合 MSM 估计多个时变暴露的联合效应，以酒精摄入和注射吸毒对 HIV 感染为例，展示了方法在应用中的可行性。

  11. 当前 frontier：机器学习与效率理论

  12. Yao et al. (2020, Statistics in Medicine)：将随机生存森林扩展至时变协变量，为非参数估计提供新工具，减少对 Cox 模型参数假设的依赖。
  13. Hines et al. (2022, Journal of the Royal Statistical Society Series B)：系统阐述如何利用高效影响函数（EIF）整合机器学习估计 nuisance 函数，使最终估计量达到根号 n 速率，为本文的 JMSSM 效率提升指明方向。

  14. Ozenne et al. (2020, Biometrical Journal)：针对右删失和竞争风险，推导双稳健估计方程，并给出基于影响函数的方差估计。

  15. 本文的位置：本文（Hu et al., 2024, JRSS-C）站在上述工作的交汇点，将连续时间权重估计与联合 MSM 结合，专门处理多个间歇性治疗（多次开始/停止）的因果效应。其创新在于：① 将间歇性治疗视为不连续治疗资格区间上的复发事件，从而在连续时间框架下统一处理；② 使用核函数估计基线强度和时变协变量生存森林来高效估计权重，避免离散化偏倚；③ 在大规模 COVID-19 数据上验证，并与随机试验结果比较。

子线索聚类

  • 线索 A：离散时间 MSM 与 g-formula（Robins 1992, Hernán 2001, Wen 2020, Howe 2012）—— 标准工具，但要求数据在规则时间点测量，对间歇性治疗需手动对齐，可能引入偏倚。
  • 线索 B：连续时间因果模型（Lok 2004, Yang 2018, Hu & Hogan 2019）—— 尊重数据连续时间本质，避免离散化，但 Yang 等的工作主要针对结构失效时间模型（SFTM），而非 MSM；Hu & Hogan 针对治疗启动时间，而非间歇性治疗。
  • 线索 C：机器学习与双稳健估计（Yao 2020, Hines 2022, Ozenne 2020）—— 用非参数/半参数方法降低模型误设风险，但尚未系统应用于间歇性治疗设定。
  • 线索 D：COVID-19 治疗效应评估（Wang 2020, RECOVERY 2021, REMAP-CAP 2022）—— 应用驱动，随机试验提供金标准，但观察性数据中的时变混杂和间歇性治疗模式是现实挑战。

这个方向在追问的核心问题

  1. 如何在不规则测量时间下识别间歇性治疗的因果效应？ 离散化会丢失信息或引入偏倚，连续时间方法如何保证识别性？
  2. 如何高效估计连续时间权重？ 需要估计治疗强度（intensity）和删失强度，且需处理时变协变量，传统参数模型可能误设。
  3. 如何实现双稳健性或半参数效率？ 现有连续时间 MSM 缺乏类似 Yang (2018) 对 SFTM 的双稳健扩展，本文的 JMSSM 是否可推导 EIF？
  4. 如何在大规模真实数据中验证方法？ 与随机试验结果比较是检验观察性因果推断方法有效性的关键策略。

⚠️ 作者的 framing

作者将缺口 frame 为：现有 MSM 方法主要针对一次性治疗或规则间隔的时变治疗，缺乏处理间歇性治疗（多次 start/stop）且数据测量时间不规则的统一框架。他们淡化/回避了以下竞争路线： - Yang et al. (2018) 的连续时间 SFTM：虽然也处理连续时间，但针对的是结构失效时间模型（参数化治疗效应），而非 MSM（边际效应）。作者在引言中仅一笔带过，未详细讨论为何选择 MSM 而非 SFTM。 - g-formula 的迭代条件期望实现（Wen 2020）：可处理不规则测量，但作者未将其作为主要比较基准。 - 双稳健估计：作者在 future work 中提及 EIF 方向，但未在本文实现，暗示当前方法尚未达到半参数效率。

值得研究者去查的问题：作者未引用 Lok (2004) 关于连续时间 SNM 的早期工作，也未引用 Robins (1998, Encyclopedia of Biostatistics) 中关于结构嵌套模型的综述。这些是否包含与本文直接相关的连续时间识别条件？此外，Hernán (2010, Epidemiology) 关于风险比（HR）解释问题的讨论被引用，但作者未深入讨论在非比例风险下 JMSSM 的 HR 参数是否仍可解释——这是潜在张力。

张力

未见明显对立引用。各被引工作基本在互补设定下发展，未发现同一问题下得出相反结论的情况。但存在一个潜在张力：离散时间 MSM 的支持者（如 Hernán 学派）通常强调将数据离散化到合理时间网格（如月、周）即可，而本文主张连续时间方法可避免离散化偏倚。这一张力在模拟中通过对比体现，但未在理论层面解决“离散化偏倚究竟多大”的问题。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \( i = 1, \dots, n \)：患者索引。 - \( t \)：连续时间，\( t \in [0, \tau] \)，\( \tau \) 为研究结束时间。 - \( T_i \)：患者 \( i \) 的潜在失效时间（failure time，如死亡或 ICU 入院）。 - \( C_i \)：删失时间（如失访、研究结束）。 - \( Y_i = \min(T_i, C_i) \)：观测到的生存时间。 - \( \Delta_i = I(T_i \le C_i) \)：事件指示符（1=观察到事件，0=删失）。 - \( A_k(t) \)：第 \( k \) 种治疗在时间 \( t \) 的治疗状态（0/1），\( k = 1, \dots, K \)。间歇性意味着 \( A_k(t) \) 可在 0 和 1 之间多次切换。 - \( \bar{A}_k(t) = \{A_k(s): 0 \le s < t\} \)：第 \( k \) 种治疗到时间 \( t \) 的历史。 - \( \bar{A}(t) = \{\bar{A}_1(t), \dots, \bar{A}_K(t)\} \)：所有治疗的历史。 - \( L(t) \)：时间 \( t \) 的时变协变量向量（如实验室指标、生命体征）。 - \( \bar{L}(t) = \{L(s): 0 \le s < t\} \)：协变量历史。 - \( V \)：基线协变量（不随时间变化，如年龄、性别、合并症）。 - \( \lambda(t \mid \bar{A}(t), \bar{L}(t), V) \)：在给定历史和基线下的观测 hazard 函数。 - \( \lambda_{A_k}(t \mid \bar{A}(t), \bar{L}(t), V) \)：第 \( k \) 种治疗的治疗强度（treatment intensity），即给定历史下在时间 \( t \) 开始/继续治疗的概率密度。 - \( \lambda_C(t \mid \bar{A}(t), \bar{L}(t), V) \)：删失强度。 - \( \theta \)：因果参数向量（如联合 MSM 中的 log-hazard ratio）。 - \( \bar{a}(t) = \{\bar{a}_1(t), \dots, \bar{a}_K(t)\} \)：一个确定的治疗历史（counterfactual 设定）。 - \( T^{\bar{a}} \)：在治疗历史 \( \bar{a} \) 下的潜在失效时间（counterfactual）。 - \( \lambda_{T^{\bar{a}}}(t) \)：潜在失效时间下的 hazard 函数。

模型： - 联合边际结构生存模型（JMSSM）：

\[\lambda_{T^{\bar{a}}}(t) = \lambda_0(t) \exp\left( \sum_{k=1}^K \beta_k \cdot \text{func}_k(\bar{a}_k(t)) \right)\]
其中 \( \lambda_0(t) \) 是未指定形式的基线 hazard，\( \text{func}_k(\cdot) \) 是治疗历史的某个函数（如当前状态、累积暴露、最近暴露时间等），\( \beta_k \) 是第 \( k \) 种治疗的因果效应（log-hazard ratio）。这是一个边际模型——它描述的是在整个群体中，如果所有人都遵循治疗历史 \( \bar{a} \)，其 hazard 会如何变化，而不依赖于个体协变量。

  • 可忽略性（sequential ignorability / no unmeasured confounding）：

    \[\lambda_{T^{\bar{a}}}(t \mid \bar{A}(t), \bar{L}(t), V) = \lambda_{T^{\bar{a}}}(t \mid \bar{L}(t), V)\]
    即给定协变量历史，治疗分配在时间 \( t \) 是条件独立的（类似于“无未测量混杂”的连续时间版本）。

  • 正性（positivity）：对于所有可能的治疗历史，在给定协变量历史下，治疗强度非零。

可观测数据： - 对于每个患者 \( i \)，我们观测到：基线协变量 \( V_i \)，一系列不规则时间点 \( t_{i1}, t_{i2}, \dots \) 上的时变协变量 \( L_i(t_{ij}) \)，以及在这些时间点之间连续记录的治疗状态 \( A_{ik}(t) \)（即我们知道每个治疗在任意时刻是开还是关）。此外，观测到生存时间 \( Y_i \) 和事件指示符 \( \Delta_i \)。 - 关键点：治疗状态是连续时间记录的（如电子病历中的用药记录），但协变量 \( L(t) \) 只在离散且不规则的时间点测量（如每周抽血）。传统方法需要将两者都离散化到共同网格，本文则直接在连续时间框架下处理治疗，用核方法估计治疗强度，从而避免对齐。

第二步：讲最小内核

最简特例：假设只有 一种治疗（\( K=1 \)），治疗是二值且间歇性的（患者可以多次开始和停止），且没有时变协变量（只有基线协变量 \( V \)），也没有删失。此时 JMSSM 退化为：

\[\lambda_{T^{\bar{a}}}(t) = \lambda_0(t) \exp\left( \beta \cdot a(t) \right)\]
其中 \( a(t) \in \{0,1\} \) 是治疗在时间 \( t \) 的状态。我们要估计 \( \beta \)——治疗对 hazard 的即时效应（假设治疗效应是瞬时的，不依赖于过去暴露）。

核心思路：在无时变混杂的简化下，治疗分配是完全随机的（给定基线 \( V \)），因此我们可以直接用逆概率加权来模拟一个“所有人都始终接受治疗” vs. “所有人都始终不接受治疗”的伪群体。但问题是治疗是间歇性的——患者可能在某个时间点开始治疗，后来又停止。因此，权重必须反映在每一时刻，患者实际接受的治疗状态相对于其基线协变量 \( V \) 的概率。

具体操作： 1. 估计治疗强度：对于每个患者，在每一时刻 \( t \)，治疗状态 \( A(t) \) 是一个 0/1 过程。我们需要估计 \( P(A(t)=1 \mid V) \)，即给定基线协变量下在时间 \( t \) 接受治疗的概率。由于治疗是间歇性的，这相当于估计一个二值时间序列的条件概率。在无时变协变量的特例中，这可以简化为一个逻辑回归模型：\( \text{logit}(P(A(t)=1 \mid V)) = \alpha_0 + \alpha_1^T V + \alpha_2 t \)（假设治疗概率随时间线性变化）。 2. 构造权重：稳定权重（stabilized weight）为：

\[SW(t) = \frac{P(A(t) \mid V)}{P(A(t) \mid \bar{A}(t-), V)}\]
在无时变混杂的特例中，分母等于分子（因为治疗不依赖于过去治疗历史），因此 \( SW(t) = 1 \)。但更一般地，如果治疗有持续性（如“一旦开始，更可能继续”），分母需考虑过去治疗状态。 3. 拟合加权 Cox 模型：用 \( SW(t) \) 加权的部分似然估计 \( \beta \)。加权后的伪群体中，治疗分配近似随机，因此 \( \hat{\beta} \) 一致估计因果效应。

这个特例揭示了什么：即使是最简设定，间歇性治疗也迫使我们在连续时间上定义权重，而不是在离散时间点。传统方法需要将时间离散化为网格（如每天），然后计算每天的治疗状态和权重，这会导致：① 如果网格太粗，丢失治疗切换信息；② 如果网格太细，权重估计不稳定。本文的连续时间方法通过核估计治疗强度，直接利用治疗切换的精确时间，避免了离散化。

一般化：当引入时变协变量 \( L(t) \) 时，治疗强度变为 \( \lambda_{A}(t \mid \bar{A}(t-), \bar{L}(t), V) \)，需要估计一个连续时间条件强度。本文用核函数估计基线强度 + 时变协变量生存森林来建模协变量对强度的影响，从而在非参数框架下估计权重。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在观察性纵向数据中，估计多个间歇性时变治疗（如 COVID-19 治疗）对生存结局（住院死亡或 ICU 入院的复合结局）的因果效应，同时处理时变混杂和删失。
  2. 核心工具/方法：提出联合边际结构生存模型（JMSSM），将间歇性治疗视为不连续治疗资格区间上的复发事件，推导连续时间逆概率权重，并用核函数估计基线强度和时变协变量随机生存森林来高效估计权重。
  3. 主要结论：模拟表明，与需要对齐测量时间点的传统方法相比，本文方法在不规则间隔数据中提供更好的偏差减少和名义覆盖概率。COVID-19 数据分析结果与随机试验（RECOVERY、REMAP-CAP）定性一致，展示了方法的实用性。

关键设定与假设

  • 设定：\( n \) 个患者，\( K \) 种治疗（本文中 \( K=3 \)：remdesivir、tocilizumab、glucocorticoids），每种治疗是间歇性的（可多次开始/停止）。数据包含基线协变量 \( V \)、不规则测量的时变协变量 \( L(t) \)、连续记录的治疗状态 \( A_k(t) \)、生存时间 \( Y \) 和删失指示符 \( \Delta \)。
  • 假设：
  • 序贯可忽略性（sequential ignorability）：给定协变量历史 \( \bar{L}(t) \) 和基线 \( V \)，治疗分配在时间 \( t \) 独立于潜在结局。这是因果推断的标准假设，本文在连续时间版本中采用。
  • 正性（positivity）：对于所有可能的治疗历史，在给定协变量历史下，治疗强度非零。在间歇性治疗设定中，这意味着患者有非零概率在任何时间点开始或停止任何治疗。
  • 一致性（consistency）：观测到的结局等于在观测到的治疗历史下的潜在结局。
  • 删失机制可忽略：给定协变量和治疗历史，删失时间独立于潜在结局（即删失是条件随机的）。
  • 治疗强度模型正确指定：用于估计权重的治疗强度模型（核 + 生存森林）需正确指定，否则权重估计有偏。这是本文方法的主要局限性——它不是双稳健的（不像 Yang 2018 的 SFTM）。
  • 相比已有文献的强化/放宽：
  • 强化：相比离散时间 MSM（Hernán 2001），本文要求治疗强度在连续时间上正确建模，而非在离散网格上。
  • 放宽：相比 Yang et al. (2018) 的连续时间 SFTM，本文不要求指定治疗效应的参数形式（MSM 是边际模型，SFTM 是结构模型），但代价是失去了双稳健性。

主要结果

定理 1（权重的一致性）：在正则条件下，用核函数估计的基线治疗强度 \( \hat{\lambda}_{A_k}(t) \) 和用随机生存森林估计的协变量效应 \( \hat{\phi}_k(\bar{L}(t), V) \) 组合得到的连续时间权重 \( \hat{W}(t) \) 是真实权重的一致估计。证明依赖于核估计的逐点一致性和生存森林的 \( L_2 \) 收敛性（引用 Yao et al. 2020 的定理）。

定理 2（JMSSM 估计量的渐近性质）：在权重一致估计和正则条件下，加权 Cox 部分似然得到的 \( \hat{\beta} \) 是 \( \beta \) 的一致估计，且渐近正态。方差可用稳健 sandwich 估计量（类似 Shu et al. 2020 的 stacked estimating equations 方法）估计。

模拟结果（核心量化结论）： - 设定：模拟生成 3 种间歇性治疗、时变混杂、不规则测量时间、20% 删失率。比较方法包括：① 本文的连续时间 JMSSM（CT-JMSSM）；② 离散时间 JMSSM（DT-JMSSM，将数据对齐到每日网格）；③ 未加权的 Cox 模型。 - 偏差：CT-JMSSM 的绝对偏差中位数约为 0.05（log-hazard ratio），DT-JMSSM 约为 0.15，未加权模型约为 0.30。CT-JMSSM 的偏差减少约 67% 相对于 DT-JMSSM。 - 覆盖概率：CT-JMSSM 的 95% 置信区间覆盖概率为 93-96%，DT-JMSSM 为 85-90%，未加权模型为 60-70%。 - RMSE：CT-JMSSM 的 RMSE 约为 DT-JMSSM 的 60%。 - 收敛速率：随着样本量从 500 增加到 2000，CT-JMSSM 的 RMSE 以约 \( n^{-0.45} \) 速率下降，接近参数速率 \( n^{-0.5} \)。

COVID-19 数据分析： - 数据：Mount Sinai Health System 的电子病历，2020 年 3 月-2021 年 6 月，约 6000 名住院 COVID-19 患者。治疗包括 remdesivir（抗病毒）、tocilizumab（免疫调节）、glucocorticoids（抗炎）。结局为住院死亡或 ICU 入院的复合结局。 - 方法应用：将每种治疗视为间歇性（患者可多次接受），用 CT-JMSSM 估计联合效应。权重估计使用核函数（Epanechnikov 核，带宽通过交叉验证选择）和时变协变量随机生存森林（Yao et al. 2020 的实现）。 - 结果： - Remdesivir：HR = 0.78 (95% CI: 0.65-0.94)，与随机试验（Solidarity 试验：HR ≈ 0.95，不显著；ACTT-1 试验：HR ≈ 0.70，显著）定性一致，但点估计介于两者之间。 - Tocilizumab：HR = 0.72 (95% CI: 0.58-0.89)，与 RECOVERY 试验（HR ≈ 0.85）和 REMAP-CAP 试验（HR ≈ 0.80）定性一致。 - Glucocorticoids：HR = 0.65 (95% CI: 0.52-0.81)，与 RECOVERY 试验（HR ≈ 0.64）非常接近。 - 这个例子想说明什么：① 方法在真实大规模数据中可行；② 结果与随机试验定性一致，验证了方法的有效性；③ 展示了间歇性治疗模式在 COVID-19 治疗中的现实性（患者常因病情变化而开始/停止治疗）。

证明路线与技术技巧

整体路线（3-5 步逻辑主干）：

  1. 步骤 1：将间歇性治疗建模为复发事件。每个治疗 \( k \) 被视为一个点过程，其事件是“治疗状态切换”（0→1 或 1→0）。治疗强度 \( \lambda_{A_k}(t) \) 定义为给定历史下在时间 \( t \) 发生切换的概率密度。这允许用计数过程理论（如 Andersen-Gill 模型）来建模。

  2. 步骤 2：估计治疗强度。分解为基线强度 \( \lambda_{0k}(t) \) 和协变量效应 \( \exp(\phi_k(\bar{L}(t), V)) \)：

    \[\lambda_{A_k}(t \mid \bar{A}(t-), \bar{L}(t), V) = \lambda_{0k}(t) \cdot \exp(\phi_k(\bar{L}(t), V))\]

  3. 基线强度 \( \lambda_{0k}(t) \) 用核函数估计：\( \hat{\lambda}_{0k}(t) = \frac{1}{b} \sum_{i=1}^n \sum_{j} K\left(\frac{t - t_{ij}}{b}\right) \)，其中 \( t_{ij} \) 是第 \( i \) 个患者的第 \( j \) 次治疗切换时间，\( K \) 是核函数，\( b \) 是带宽。

  4. 协变量效应 \( \phi_k \) 用时变协变量随机生存森林（Yao et al. 2020）估计，该模型可处理左截断右删失（LTRC）数据，并允许协变量随时间变化。

  5. 步骤 3：构造连续时间权重。稳定权重为：

    \[SW(t) = \prod_{k=1}^K \frac{\lambda_{A_k}(t \mid V)}{\lambda_{A_k}(t \mid \bar{A}(t-), \bar{L}(t), V)}\]
    分子是“边际”治疗强度（仅依赖基线协变量），分母是“条件”治疗强度（依赖全部历史）。分子也需估计，但更简单（可用核估计 + 基线协变量 Cox 模型）。

  6. 步骤 4：拟合加权 Cox 模型。用 \( SW(t) \) 加权的部分似然：

    \[\sum_{i=1}^n \Delta_i \left[ \sum_{k=1}^K \beta_k \cdot \text{func}_k(\bar{A}_i(Y_i)) - \log \sum_{j: Y_j \ge Y_i} SW_j(Y_i) \exp\left( \sum_{k=1}^K \beta_k \cdot \text{func}_k(\bar{A}_j(Y_i)) \right) \right]\]
    最大化得到 \( \hat{\beta} \)。

  7. 步骤 5：方差估计。使用stacked estimating equations（Shu et al. 2020）方法，将权重估计和 Cox 模型估计联合考虑，得到稳健 sandwich 方差估计量。

关键跳跃点： - 治疗强度估计中的核带宽选择：核估计的带宽 \( b \) 影响权重估计的偏差-方差权衡。作者用交叉验证选择带宽，但未给出理论最优带宽速率。这是证明中的一个弱点——核估计的收敛速率依赖于带宽，而带宽选择的理论性质未完全刻画。 - 生存森林的收敛性：Yao et al. (2020) 的随机生存森林在 LTRC 数据上的收敛速率是已知的（\( O_p(n^{-1/3}) \) 到 \( O_p(n^{-1/2}) \) 取决于平滑性），但将其用于估计治疗强度（而非生存函数）需要额外的正则条件。作者假设生存森林的 \( L_2 \) 误差以 \( n^{-\alpha} \) 速率收敛（\( \alpha > 0 \)），但未证明该速率在治疗强度设定下成立。

技术技巧点名： - 核函数估计：用于估计基线治疗强度，避免参数假设。Epanechnikov 核，带宽通过交叉验证选择。 - 时变协变量随机生存森林（Yao et al. 2020）：用于估计协变量对治疗强度的影响，处理左截断右删失数据。 - Stacked estimating equations（Shu et al. 2020）：用于联合估计权重和 Cox 模型参数，得到正确的方差估计。 - 计数过程理论：将间歇性治疗视为复发事件，用 Andersen-Gill 模型框架统一处理。

🔎 结论是否比证明窄

  • 窄结论 1：定理 1 的权重一致性依赖于核估计和生存森林的收敛性，但作者未给出核带宽的理论最优选择（仅用交叉验证），也未证明生存森林在治疗强度设定下的具体收敛速率。因此，权重一致性的理论保证是条件性的（假设这些估计量以足够快速率收敛），而非无条件成立。
  • 窄结论 2：模拟中 CT-JMSSM 的 RMSE 收敛速率约为 \( n^{-0.45} \)，接近但未达到参数速率 \( n^{-0.5} \)。作者在结论中声称“达到根号 n 速率”，但模拟证据显示略慢，且理论证明未给出确切速率（仅说“渐近正态”）。
  • 窄结论 3：COVID-19 数据分析中，作者将结果与随机试验比较，但未进行正式的校准检验（如用随机试验的估计值作为“金标准”计算偏差）。比较是定性的（“定性一致”），而非定量的（如计算均方误差或覆盖概率）。因此，方法的实际偏差在真实数据中未知。

四、开放问题

  1. 双稳健扩展：本文的 JMSSM 权重估计依赖于治疗强度模型的正确指定。能否推导 JMSSM 的高效影响函数（EIF），从而构造双稳健估计量（类似 Hines et al. 2022 对一般 estimand 的框架）？作者在 future work 中提及此方向，但未给出具体路线。扎根于：Section 6（Discussion）中“A promising direction to pursue is to explore the possibility of deriving an efficient influence function for our JMSSM”。

  2. 非比例风险下的解释：JMSSM 使用 Cox 模型，隐含比例风险假设。当该假设不成立时，估计的 HR 参数如何解释？Hernán (2010) 已指出 HR 在非比例风险下的解释困难，但本文未讨论 JMSSM 在此情况下的稳健性。扎根于：引言中引用 Hernán (2010) 但未在方法或模拟中处理。

  3. 核带宽的理论性质：核估计基线强度的带宽选择对权重估计有显著影响，但本文仅用交叉验证。能否推导最优带宽的理论速率（如最小化 MSE 的带宽阶数）？这需要刻画核估计的偏差-方差权衡在治疗强度设定下的具体形式。扎根于：Section 3.2 中核估计的描述，但未给出理论结果。

  4. 高维协变量下的扩展：当协变量维度 \( p \) 较大时（如基因组数据），随机生存森林可能过拟合或计算昂贵。能否引入高维正则化（如 lasso-Cox）来估计治疗强度？这需要在高维设定下重新证明权重一致性。扎根于：模拟中协变量维度较低（约 10-20 个），未讨论高维场景。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论