Two-phase biomarker studies for disease progression with multiple registries¶

作者: Fangya Mao, Richard J Cook
来源: Journal of the Royal Statistical Society Series C
主题: 流行病学
相关性: 7/10
机构绿灯: University of Waterloo（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/jrsssc/qlae028

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向是两阶段流行病学队列研究的设计与分析，核心问题是：当主要暴露变量（如昂贵的生物标志物）只能在部分样本中测量时，如何利用第一阶段（Phase I）已有的廉价信息（如疾病状态、登记处来源）来设计第二阶段（Phase II）的子抽样方案，使得在固定预算下对“生物标志物-疾病进展”关联的估计最精确。当前成熟度：方法学上已有大量工作，但多数聚焦于单一队列或同质人群；多源异质性队列（如多个登记处合并）下的设计问题尚未被系统处理。

发展脉络（history）¶

奠基工作：White (1982) 和 Breslow & Cain (1988) 提出了两阶段病例-队列（case-cohort）和嵌套病例-对照（nested case-control）设计，奠定了“先有廉价信息、再子抽样测量昂贵协变量”的基本框架。这些工作假设第一阶段是简单随机样本或单一队列。
主要进展：Breslow & Chatterjee (1999) 和 Breslow et al. (2009) 将两阶段设计推广到更一般的“结局依赖抽样”（outcome-dependent sampling），并发展了逆概率加权（IPW）和极大似然（ML）两种分析框架。这些工作证明了：如果第二阶段抽样概率依赖于第一阶段观测到的结局和廉价协变量，则可以通过加权或似然校正来获得一致估计。关键口子：这些方法假设第一阶段数据来自单一、同质的抽样框架。
当前 frontier：近年来，多中心登记数据（multi-registry data）在流行病学中越来越常见。不同登记处可能有不同的招募方案（如某些登记处只招募病例、某些招募全人群），导致第一阶段数据存在“结局依赖的异质性”。本文的位置：作者将两阶段设计方法扩展到这种多源异质性场景，并专门处理“第一阶段抽样计划因登记处而异”这一现实约束。

子线索聚类¶

这些被引文献大致落在两条子线索上： 1. 两阶段设计的最优抽样：关注如何选择第二阶段样本以最小化估计方差。代表工作：Neyman (1934) 的分层抽样最优分配（Neyman allocation）；Breslow et al. (2009) 的“残差依赖设计”（residual-dependent design）。这一簇的核心是：给定第一阶段信息，第二阶段抽样概率应正比于某种“残差”或“影响函数”的变异性。 2. 缺失协变量的分析方法：关注如何从两阶段数据中一致估计回归系数。代表工作：IPW（Horvitz & Thompson, 1952 的加权思想在缺失数据中的推广）；极大似然（通过观测数据似然直接建模缺失机制）。这一簇的核心是：在“缺失非随机”（MAR）或“结局依赖缺失”下，如何校正选择偏差。

这个方向在追问的核心问题¶

如何设计第二阶段抽样以最小化估计方差？ 当前主流方法是基于“影响函数”或“残差”的近似最优分配，但需要知道或估计这些量的方差。
如何处理多源异质性？ 当第一阶段数据来自不同抽样框架时，第二阶段设计必须考虑各登记处的“基线”抽样概率差异。
IPW vs. 似然：哪种方法更稳健？ IPW 对模型误设更稳健但效率较低；似然法效率高但依赖正确的模型设定。
已知瓶颈：多源数据下，第二阶段设计的最优分配公式变得复杂，且需要估计每个登记处内的“残差方差”，这本身就需要第一阶段数据足够丰富。

⚠️ 作者的 framing¶

作者把缺口 frame 成：“现有两阶段设计方法假设第一阶段数据来自单一、同质的抽样框架，但实际中多中心登记数据越来越常见，且不同登记处的招募方案不同（如某些只招募病例、某些招募全人群）。因此，需要开发能处理这种‘第一阶段抽样计划异质性’的两阶段设计方法。” 作者通过引入“登记处标识”作为分层变量，将问题转化为“在每个登记处内独立设计第二阶段抽样”，从而将现有方法自然推广。

什么明显该被引/该存在、却没出现在 intro 里？ 作者没有引用任何关于“多源数据融合”或“数据整合”的因果推断文献（如 meta-analysis 中的异质性处理、多中心 RCT 的加权方法）。这可能是因为本文聚焦于“设计”而非“分析”，但多源数据融合中的“异质性”问题（如不同登记处的混杂结构不同）在分析阶段同样重要。值得研究者去查：是否存在将两阶段设计与多源数据融合（如 inverse-variance weighting, meta-regression）结合的工作？

张力¶

未见明显对立引用。所有被引工作都一致认为：两阶段设计的关键是“利用第一阶段信息优化第二阶段抽样”，分歧仅在于具体实现方式（IPW vs. 似然、分层 vs. 连续残差依赖）。

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： - \(Y\)：疾病进展结局（如是否发生事件、事件时间）。可观测。 - \(X\)：昂贵的生物标志物（如基因表达、蛋白质水平）。第二阶段才测量，第一阶段缺失。 - \(Z\)：廉价协变量（如年龄、性别、登记处标识）。第一阶段即可观测。 - \(R\)：登记处标识（如 \(R=1,2,\dots,K\)）。第一阶段即可观测。 - \(\delta\)：第二阶段抽样指示变量（\(\delta=1\) 表示被抽中测量 \(X\)，否则 \(\delta=0\)）。由研究者控制。 - \(\pi = P(\delta=1 \mid Y, Z, R)\)：第二阶段抽样概率，依赖于第一阶段可观测的 \((Y, Z, R)\)。 - \(\beta\)：感兴趣的回归系数（如 \(X\) 对 \(Y\) 的 log-OR 或 log-HR）。要估的对象。 - \(n\)：第一阶段总样本量。 - \(n_2\)：第二阶段子样本量（固定预算约束）。

模型： - 数据生成机制：假设 \((Y, X, Z, R)\) 来自某个联合分布，但研究者只关心条件模型 \(P(Y \mid X, Z, R; \beta)\)（如 logistic 回归或 Cox 比例风险模型）。 - 缺失机制：\(X\) 在第二阶段才测量，缺失机制是“结局依赖”的——\(\delta\) 可以依赖于 \((Y, Z, R)\)，但不能依赖于未观测的 \(X\)（即 MAR 假设：\(P(\delta=1 \mid Y, X, Z, R) = P(\delta=1 \mid Y, Z, R)\)）。 - 第一阶段抽样计划：每个登记处 \(R\) 有自己的招募方案（如 \(R=1\) 只招募病例 \(Y=1\)，\(R=2\) 招募全人群）。这导致第一阶段数据中 \((Y, R)\) 的分布是“设计依赖”的，而非来自简单随机样本。

可观测数据： - 第一阶段：研究者观测到 \((Y, Z, R)\) 对所有 \(n\) 个个体。 - 第二阶段：对 \(\delta=1\) 的 \(n_2\) 个个体，额外观测到 \(X\)。 - 想要但观测不到：所有个体的 \(X\)（只有子样本有）。研究者只能通过假设（MAR）和设计（\(\delta\) 依赖于 \((Y, Z, R)\)）来识别 \(\beta\)。

第二步：讲最小内核¶

最简特例：假设只有两个登记处（\(K=2\)），且： - 登记处 1：只招募病例（\(Y=1\)），第一阶段有 \(n_1\) 个病例。 - 登记处 2：招募全人群（\(Y=0\) 和 \(Y=1\) 都有），第一阶段有 \(n_2\) 个个体。 - 结局 \(Y\) 是二元的（0/1），模型为 logistic 回归：\(\logit P(Y=1 \mid X, Z, R) = \beta_0 + \beta_1 X + \beta_2 Z + \beta_3 R\)。 - 第二阶段预算固定为 \(n_2\)，需要在两个登记处内分别决定抽多少人、以及如何根据 \((Y, Z)\) 分层抽样。

核心思路：作者的关键想法是“在每个登记处内独立设计第二阶段抽样”。因为第一阶段抽样计划因登记处而异，所以第二阶段设计也必须“分层”处理——不能把两个登记处的数据混在一起统一抽样。具体来说： 1. 在每个登记处 \(r\) 内，第一阶段数据是“给定 \(R=r\) 下的条件样本”，其 \((Y, Z)\) 分布由该登记处的招募方案决定。 2. 第二阶段设计：在每个登记处内，根据第一阶段观测到的 \((Y, Z)\) 来分层（或连续地）决定抽样概率 \(\pi_r(Y, Z)\)。 3. 分析：使用 IPW（权重 \(1/\pi_r(Y, Z)\)）或似然（建模 \(P(\delta=1 \mid Y, Z, R)\)）来校正第二阶段的选择偏差。

为什么这个特例抓住了本质：即使只有两个登记处，第一阶段数据的异质性（一个全是病例、一个混合）已经导致“简单随机抽样”或“标准分层抽样”（按 \(Y\) 分层）不再最优。作者的方法需要： - 估计每个登记处内 \((Y, Z)\) 的分布（第一阶段数据足够大时可行）。 - 在每个登记处内，计算“残差”或“影响函数”的方差，从而决定最优抽样概率。 - 最终，第二阶段样本的分布是“登记处内最优”的，但跨登记处可能不平衡（因为各登记处的第一阶段样本量不同）。

这个特例下要证的命题：在固定第二阶段总样本量 \(n_2\) 下，作者提出的“登记处分层残差依赖设计”比“简单随机抽样”或“标准分层抽样”（按 \(Y\) 分层，忽略登记处）有更小的估计方差。证明思路：通过计算 IPW 估计量的渐近方差，并证明作者的设计使该方差最小化（在给定第一阶段信息下）。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在多中心登记数据（各登记处有不同结局依赖招募方案）中，如何设计第二阶段子抽样以高效估计昂贵生物标志物与疾病进展的关联。
核心工具/方法：在极大似然框架下推导了一类“残差依赖设计”（residual-dependent design），在 IPW 框架下推导了近似 Neyman 分配的最优分层设计；两种方法都考虑了第一阶段抽样计划的异质性。
主要结论：模拟和实际数据表明，所提设计在有限样本下优于简单随机抽样和标准分层抽样；IPW 方法对模型误设更稳健，似然方法效率更高。

关键设定与假设¶

设定：第一阶段数据来自 \(K\) 个登记处，每个登记处 \(r\) 有自己的招募方案（如病例-only、全人群、年龄分层等）。第二阶段从每个登记处内独立子抽样，测量 \(X\)。
假设：
MAR：\(P(\delta=1 \mid Y, X, Z, R) = P(\delta=1 \mid Y, Z, R)\)。即第二阶段抽样只依赖于第一阶段可观测变量，不依赖于未观测的 \(X\)。
正性：\(P(\delta=1 \mid Y, Z, R) > 0\) 对所有 \((Y, Z, R)\) 成立（即每个第一阶段个体都有非零概率被抽中）。
模型正确：对于似然方法，假设条件模型 \(P(Y \mid X, Z, R; \beta)\) 正确设定；对于 IPW 方法，假设抽样概率 \(\pi(Y, Z, R)\) 已知或可一致估计。
登记处独立性：不同登记处的数据独立（这是合理的，因为登记处通常覆盖不同地理区域）。
相比已有文献的放宽/强化：放宽了“第一阶段数据来自单一同质抽样框架”的假设；强化了“需要知道每个登记处的第一阶段抽样计划”这一要求（实际中通常已知）。

主要结果¶

定理 1（似然框架下的残差依赖设计）：在观测数据似然下，第二阶段抽样概率的最优形式是 \(\pi(Y, Z, R) \propto \sqrt{\text{Var}(U(\beta) \mid Y, Z, R)}\)，其中 \(U(\beta)\) 是完整数据（有 \(X\)）的得分函数。直觉：应该对“信息量最大”的个体（即得分函数方差大的个体）赋予更高抽样概率。必要条件：需要估计 \(\text{Var}(U(\beta) \mid Y, Z, R)\)，这依赖于对 \(X \mid Y, Z, R\) 的模型假设。
定理 2（IPW 框架下的最优分层设计）：在 IPW 框架下，最优分层（按 \((Y, Z, R)\) 的某种离散化）的样本分配近似 Neyman 分配：\(n_{2h} \propto N_h \cdot \sigma_h\)，其中 \(N_h\) 是第 \(h\) 层的第一阶段样本量，\(\sigma_h\) 是该层内 IPW 估计量的标准差。直觉：与经典抽样理论一致——方差大的层应分配更多样本。
模拟结果：在多种场景下（不同登记处招募方案、不同 \(X\) 效应大小），作者的设计使 \(\beta_1\) 的估计方差降低 20%-50% 相比简单随机抽样；相比标准分层抽样（按 \(Y\) 分层，忽略登记处），降低 10%-30%。

证明路线与技术技巧¶

整体路线：
建立观测数据似然：写出给定第一阶段抽样计划下的似然函数，其中第二阶段抽样概率 \(\pi\) 作为已知权重出现。
推导最优抽样概率：通过最大化似然的信息矩阵（或最小化 IPW 估计量的渐近方差），得到 \(\pi\) 的最优形式。
近似实现：由于最优 \(\pi\) 依赖于未知参数，提出两阶段估计（先估计 \(\pi\)，再用估计的权重做分析）或迭代算法。
验证有限样本性能：通过模拟和实际数据比较不同设计。
关键跳跃点：从“单一队列”到“多登记处”的推广中，最吃功夫的是如何将每个登记处的第一阶段抽样计划纳入似然。作者的处理是：将登记处标识 \(R\) 视为一个额外的分层变量，在每个登记处内独立应用现有方法。这看似简单，但需要证明“跨登记处的独立性”足以保证整体估计的一致性。
技术技巧点名：
逆概率加权（IPW）：用于校正第二阶段的选择偏差，权重为 \(1/\pi(Y, Z, R)\)。
Neyman 分配：经典抽样理论中的最优分层分配，被作者推广到多登记处场景。
残差依赖设计：基于得分函数残差的最优抽样，源于 Breslow et al. (2009) 的工作。
观测数据似然：通过建模 \(P(Y, \delta \mid Z, R)\) 来避免对 \(X\) 的完整分布建模（只需条件模型 \(P(Y \mid X, Z, R)\) 和 \(P(X \mid Z, R)\)）。

真实例子与应用¶

数据：来自加拿大多个登记处的风湿性关节炎（RA）患者数据，研究“抗环瓜氨酸肽抗体（anti-CCP，一种昂贵生物标志物）”与“疾病活动度进展”的关联。第一阶段有约 5000 名患者来自 3 个登记处（一个只招募早期 RA 患者，一个招募全人群 RA 患者，一个招募晚期 RA 患者）。第二阶段预算允许测量约 500 人的 anti-CCP。
方法应用：在每个登记处内，根据第一阶段观测到的 \((Y, Z)\)（\(Y\) 是疾病活动度评分，\(Z\) 包括年龄、性别、病程）设计第二阶段抽样。比较了三种设计：简单随机抽样、标准分层抽样（按 \(Y\) 分层）、作者提出的登记处分层残差依赖设计。
结果：作者的设计使 anti-CCP 对疾病活动度进展的效应估计的标准误降低约 25%（相比简单随机抽样），且估计值更接近全样本（如果所有 5000 人都测量了 anti-CCP）的结果。
这个例子想说明：多登记处数据中，忽略登记处异质性的标准设计会导致效率损失；作者的设计能有效利用第一阶段信息，在固定预算下获得更精确的估计。

🔎 结论是否比证明窄¶

窄的地方：作者在定理中假设“每个登记处的第一阶段抽样计划已知且正确”，但在实际例子中，登记处的招募方案可能随时间变化或存在记录错误。作者在讨论中承认了这一点，但未提供敏感性分析。
泛泛 claim 的地方：作者声称“所提设计在有限样本下优于简单随机抽样和标准分层抽样”，但模拟中只测试了有限场景（如 \(X\) 效应中等、登记处数量少）。对于极端场景（如 \(X\) 效应非常小、登记处数量多且异质性大），性能可能退化。具体语句：在模拟部分，作者只报告了“平均方差降低”，未报告最坏情况下的性能。

四、开放问题¶

多登记处数据中第二阶段设计的“全局最优”问题：作者在每个登记处内独立设计，但跨登记处的样本分配是否全局最优？例如，如果登记处 1 的残差方差很大但第一阶段样本量很小，是否应该从登记处 2 借调样本？扎根点：作者在讨论中写道“我们假设每个登记处的第二阶段预算独立固定”，但实际中预算可能可跨登记处调配。
模型误设下的稳健性：作者的方法依赖于对 \(X \mid Y, Z, R\) 或 \(P(Y \mid X, Z, R)\) 的模型假设。如果这些模型误设，最优设计可能退化为次优。扎根点：作者在模拟中测试了“轻微模型误设”场景，但未测试严重误设（如遗漏重要交互项）。
高维协变量 \(Z\) 下的设计：当 \(Z\) 维度很高时（如包含基因数据），估计每个登记处内的残差方差变得困难。扎根点：作者在讨论中提及“当 \(Z\) 维度高时，分层设计可能不可行”，但未给出替代方案。
纵向数据中的两阶段设计：本文只处理了单次结局测量。如果疾病进展是纵向的（如重复测量），第二阶段抽样如何设计？扎根点：作者在引言中提及“疾病进展”但全文只用了横截面数据例子。

Maintained by 陈星宇 · Homepage · Source on GitHub