跳转至

Average Cause-Specific Hazard: A Censoring-Invariant Measure of Event Burden Under Competing Risks

作者: Khondoker Nazmoon Nabi, Xiang Meng, Lu Tian, Jean M Connors, Deb Schrag et al.
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2607.13293

一、领域脉络与小综述

这个方向是什么

竞争风险数据（competing risks）中，研究者常需总结事件发生负担并比较组间效应。标准工具包括累积发生率函数（CIF，概率尺度）和粗发生率（IR，率尺度）。但粗IR的总体目标（population target）依赖于删失时间分布，导致组间比较有偏；CIF虽不依赖删失，但缺乏率尺度的直观解释。本文提出的平均原因别风险（ACSH）是一个删失不变的率尺度度量，定义为累积发生率与受限平均无事件时间的比值，完全由事件时间分布决定，不涉及删失分布。

发展脉络（history）

  • 奠基工作：Cox比例风险模型（Cox, 1972）是生存分析标准，但比例风险假设不成立时，HR受删失分布影响（Hernán, 2010）。Fine-Gray模型（Fine and Gray, 1999）将比例风险思想引入竞争风险，但同样面临比例子分布风险假设问题，且sHR不提供组别绝对风险尺度（Uno et al., 2014）。
  • 主要进展：为克服HR的局限性，Uno和Horiguchi（2023）提出单事件情形下的平均风险（AH），定义为生存加权的平均风险，其estimand不依赖删失分布。随后Uno等（2024）发展AH回归模型，Qian等（2025）提出分层AH分析，Horiguchi等（2026）提供临床试验设计指南。这些工作建立了AH框架，但仅限于单事件。
  • 当前frontier：竞争风险数据中，粗IR的删失依赖性已被认识（作者在Section 1中明确说明），但缺乏一个删失不变的率尺度度量。Putter等（2020）深入分析了原因别风险与子分布风险的关系，但未提出新度量。
  • 本文位置：作者将AH框架扩展到竞争风险，提出ACSH。这是AH在竞争风险下的直接推广（“Without competing events, ACSH reduces to the single-event AH of Uno and Horiguchi (2023)”）。同时，作者将ACSH与粗IR对比，证明后者在时变风险+删失时存在系统性偏差。

子线索聚类

  1. 基于CIF的度量：Aalen-Johansen估计（Aalen and Johansen, 1978）、Lin（1997）的非参数推断。这些是概率尺度，不直接提供率尺度。
  2. 基于子分布风险的模型：Fine-Gray模型（Fine and Gray, 1999），sHR作为效应度量，但依赖比例假设，且受删失分布影响（Hernán, 2010）。
  3. 基于原因别风险的平均风险（AH）：Uno和Horiguchi（2023）提出AH，Uno等（2024）发展回归，Qian等（2025）分层分析，Horiguchi等（2026）设计工具。这些是单事件设定。
  4. 删失不变的率尺度度量：本文ACSH，以及作者提到的未来工作——基于子分布风险的类似度量（Putter et al., 2020）。

核心问题与已知瓶颈

  • 核心问题：如何定义竞争风险下不依赖删失分布的率尺度度量？如何估计和推断？如何用于两样本比较？
  • 已知瓶颈：粗IR的总体目标为 \(\tilde{\eta}_k(\tau) = \int_0^\tau S(u)G_C(u)\lambda_k(u)du / \int_0^\tau S(u)G_C(u)du\)，当\(\lambda_k(u)\)非常数且\(G_C(u)\neq 1\)时，\(\tilde{\eta}_k(\tau) \neq \eta_k(\tau)\)，导致有偏比较（作者在Section 3.2中明确展示）。Fine-Gray sHR在非比例假设下难以解释。

⚠️ 作者的framing

作者将缺口frame为：“现有率尺度度量（naive IR）依赖于删失分布，而ACSH是删失不变的，且保留率尺度解释”。他们淡化或回避了： - 子分布风险类似度量：作者在Section 5承认“An analogous restricted-time rate-scale summary could be developed from the subdistribution hazard…its development is a natural direction for future work but is beyond the scope of this paper”。这意味着ACSH并非唯一可能的删失不变率度量，子分布风险路线可能产生不同性质的度量。 - 回归建模：作者仅处理两样本比较，未提供协变量调整的回归框架（仅引用Uno et al., 2024的AH回归作为未来方向）。 - 非独立删失：假设独立右删失，未讨论依赖删失（如信息删失）的情况。

什么明显该被引/该存在、却没出现在intro里？ 作者未引用任何关于“删失不变性度量”的已有工作（如Andersen等关于多状态模型的率度量），也未引用关于“逆概率删失加权”（IPCW）处理依赖删失的文献。这可能意味着该方向确实缺乏直接竞争工作，但也值得研究者去查证是否有遗漏。

张力

未见明显对立引用。所有被引工作基本一致认为：粗IR的删失依赖性是一个问题，需要新度量。

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（逐个点名）： - \(T\)：首次事件时间（任何类型），随机变量。 - \(J \in \{1,\dots,m\}\)：事件类型，随机变量。 - \(\lambda_k(t) = \lim_{\epsilon\to 0} \Pr\{t<T\leq t+\epsilon, J=k \mid T\geq t\}/\epsilon\)：原因\(k\)的原因别风险函数（参数/未知函数）。 - \(\Lambda_k(t) = \int_0^t \lambda_k(u)du\)：累积原因别风险。 - \(S(t) = \Pr(T>t)\)：无事件生存函数。 - \(F_k(t) = \Pr(T\leq t, J=k) = \int_0^t S(u)d\Lambda_k(u)\)：原因\(k\)的累积发生率函数（CIF）。 - \(R(\tau) = \int_0^\tau S(u)du\)：受限平均无事件时间（RMEFT），表示在\([0,\tau]\)内平均无事件时间。 - \(\eta_k(\tau) = F_k(\tau)/R(\tau)\)：原因\(k\)的平均原因别风险（ACSH），本文的estimand。 - \(C\)：右删失时间，随机变量。 - \(X = \min(T, C)\)：观测时间。 - \(K = J \cdot I(T \leq C)\)：观测事件类型（0表示删失）。 - 可观测数据：\(\{(X_i, K_i)\}_{i=1}^n\)，i.i.d.。

模型： - 独立右删失：\(C \perp (T, J)\)。 - 正性：\(\Pr(C > \tau) > 0\)，且\(R(\tau) > 0\)。 - 数据生成机制由潜在事件时间分布决定，但可观测数据仅包含\((X, K)\)。

可观测 vs 不可观测： - 可观测：\(X_i\)（时间），\(K_i\)（事件类型或删失）。 - 不可观测：潜在事件时间\(T_i\)，删失时间\(C_i\)，以及未发生的事件类型（若删失）。 - 识别依赖：在独立删失下，\(S(t)\)和\(\Lambda_k(t)\)可由Kaplan-Meier和Nelson-Aalen估计一致估计，从而\(F_k(\tau)\)和\(R(\tau)\)可识别。

第二步：最小内核

考虑最简单的竞争风险情形：两个原因（\(k=1,2\)），且原因别风险为常数（指数分布）。这是整篇论文方法的一个特例，也是支撑其核心思路的最小例子。

设定： - 潜在事件时间\(T_1 \sim \text{Exp}(\lambda_1)\)，\(T_2 \sim \text{Exp}(\lambda_2)\)，独立。 - 首次事件时间\(T = \min(T_1, T_2)\)，事件类型\(J = \arg\min(T_1, T_2)\)。 - 无删失（或删失独立且常数风险，但为简单先考虑无删失）。

计算ACSH： - 无事件生存函数：\(S(t) = \Pr(T_1 > t, T_2 > t) = e^{-(\lambda_1 + \lambda_2)t}\)。 - 原因1的CIF：\(F_1(\tau) = \Pr(T_1 \leq \tau, T_1 < T_2) = \int_0^\tau \lambda_1 e^{-(\lambda_1 + \lambda_2)u} du = \frac{\lambda_1}{\lambda_1 + \lambda_2}(1 - e^{-(\lambda_1 + \lambda_2)\tau})\)。 - RMEFT：\(R(\tau) = \int_0^\tau e^{-(\lambda_1 + \lambda_2)u} du = \frac{1 - e^{-(\lambda_1 + \lambda_2)\tau}}{\lambda_1 + \lambda_2}\)。 - 因此，\(\eta_1(\tau) = F_1(\tau)/R(\tau) = \lambda_1\)。同理\(\eta_2(\tau) = \lambda_2\)。

核心观察：ACSH等于常数原因别风险，与\(\tau\)无关，且不依赖删失分布（即使有删失，只要独立，估计量仍一致估计\(\lambda_k\)）。

对比粗IR：粗IR定义为观测事件数除以观测人时。在常数风险下，粗IR的总体目标也是\(\lambda_k\)，与ACSH一致。但当风险非常数时，粗IR的总体目标变为\(\tilde{\eta}_k(\tau) = \int_0^\tau S(u)G_C(u)\lambda_k(u)du / \int_0^\tau S(u)G_C(u)du\)，其中\(G_C\)是删失生存函数。除非\(\lambda_k(u)\)常数或\(G_C(u)\equiv 1\)，否则\(\tilde{\eta}_k(\tau) \neq \eta_k(\tau)\)。这就是本文要解决的核心问题：ACSH通过用\(S(u)\)（而非\(S(u)G_C(u)\)）加权，消除了删失分布的影响。

本文的关键想法：将ACSH定义为\(F_k(\tau)/R(\tau)\)，其中\(F_k(\tau)\)和\(R(\tau)\)都是仅由事件时间分布决定的函数，且可通过Kaplan-Meier和Aalen-Johansen估计量非参数估计。估计量的渐近性质通过影响函数推导。

三、这篇论文做了什么

三句话

  1. 研究问题：在竞争风险数据中，提出一个删失不变的率尺度度量——平均原因别风险（ACSH），定义为累积发生率与受限平均无事件时间的比值，并发展其非参数估计和推断。
  2. 核心工具：Kaplan-Meier估计（用于\(S(t)\)）、Aalen-Johansen估计（用于\(F_k(t)\)）、影响函数表示（用于方差估计和渐近正态性）。
  3. 主要结论：ACSH估计量一致且渐近正态；两样本对比（差和比）提供模型自由的解释；模拟和CANVAS试验验证了有限样本性能。

关键设定与假设

  • 独立右删失：\(C \perp (T, J)\)（假设C1）。
  • 正性：\(\Pr(C > \tau) > 0\)，\(R(\tau) > 0\)（假设C2）。
  • 有限累积风险：每个\(\Lambda_k(\tau) < \infty\)（假设C3）。
  • 计数过程正则条件：确保Kaplan-Meier和Aalen-Johansen估计量一致且渐近线性（假设C4）。
  • 相比已有文献：ACSH是AH（Uno and Horiguchi, 2023）在竞争风险的直接扩展，不需要比例风险假设。与Fine-Gray sHR相比，ACSH不要求比例子分布风险，且提供绝对率尺度。

主要结果

  • 定理（渐近正态性）：在假设C1-C4下，\(\sqrt{n}(\log \hat{\eta}_k(\tau) - \log \eta_k(\tau))\)渐近正态，均值为0，方差由影响函数\(\psi_{k,i}(\tau)\)的方差给出（公式4）。影响函数为：
    \[\psi_{k,i}(\tau) = \int_0^\tau \frac{S(u)}{F_k(\tau)} \frac{dM_{ki}(u)}{G(u)} + \int_0^\tau \left( \frac{F_k(u)}{F_k(\tau)} - \frac{R(u)}{R(\tau)} \right) \frac{dM_i(u)}{G(u)},\]
    其中\(M_{ki}, M_i\)是鞅，\(G(u)=\Pr(X\geq u)\)。
  • 方差估计：\(\hat{\Sigma}(\tau) = \frac{1}{n}\sum_i \hat{\psi}_i(\tau)^{\otimes 2}\)，其中\(\hat{\psi}_i\)是plug-in估计。
  • 两样本对比：ACSH差\(D_k(\tau)=\eta_{k,1}(\tau)-\eta_{k,0}(\tau)\)和比\(Q_k(\tau)=\eta_{k,1}(\tau)/\eta_{k,0}(\tau)\)的Wald检验和置信区间。
  • 多终点扩展：对多个非终端终点（如复发性VTE和主要出血），每个终点单独分析（死亡作为竞争事件），然后通过联合影响函数进行全局Wald检验和Total ACSH汇总。

证明路线与技术技巧

整体路线（3-5步）： 1. CIF估计量的渐近线性表示：引用Lin（1997），\(\sqrt{n}(\hat{F}_k(t)-F_k(t)) = \frac{1}{\sqrt{n}}\sum_i \psi_{F_k,i}(t) + o_p(1)\)，其中\(\psi_{F_k,i}(t)\)由公式(8)给出。 2. RMEFT估计量的渐近线性表示：引用Zhao等（2016），\(\sqrt{n}(\hat{R}(\tau)-R(\tau)) = \frac{1}{\sqrt{n}}\sum_i \psi_{R,i}(\tau) + o_p(1)\)，其中\(\psi_{R,i}(\tau)\)由公式(9)给出。 3. delta方法：由于\(\log \hat{\eta}_k(\tau) = \log \hat{F}_k(\tau) - \log \hat{R}(\tau)\)，应用delta方法得到\(\psi_{k,i}(\tau) = \psi_{F_k,i}(\tau)/F_k(\tau) - \psi_{R,i}(\tau)/R(\tau)\)，代入具体表达式后化简为公式(4)。 4. 联合渐近正态性：对\(\hat{\theta}(\tau) = (\log \hat{\eta}_1(\tau), \dots, \log \hat{\eta}_m(\tau))^\top\)，由多元中心极限定理得\(\sqrt{n}(\hat{\theta}-\theta) \Rightarrow N(0, \Sigma)\)。 5. 方差估计：用plug-in估计\(\hat{\psi}_i\)构造\(\hat{\Sigma}\)，并证明一致性。

关键跳跃点： - 将CIF和RMEFT的影响函数组合时，需要处理两个积分中的鞅项。作者利用鞅的正交性简化了协方差结构（Remark 1），得到\(\Sigma\)的解析表达式(5)。 - 对于多非终端终点（Section 2.4），由于不同终点的风险集不同，鞅正交性不再成立，因此协方差估计必须基于样本影响函数的经验协方差，而非解析简化。

技术技巧点名： - 影响函数（Influence Function）：核心工具，用于推导渐近方差和构造Wald检验。 - 鞅表示（Martingale Representation）：用于CIF和RMEFT的渐近线性表示，以及协方差的简化。 - delta方法：从\(\hat{F}_k\)和\(\hat{R}\)到\(\log \hat{\eta}_k\)。 - Kaplan-Meier和Aalen-Johansen估计：非参数估计的基础。 - Wald检验：用于两样本对比和全局检验。

真实例子与应用

数据：CANVAS试验（Schrag et al., 2023），比较DOAC与LMWH在癌症患者VTE中的效果。638名患者，随访6个月。两个非终端终点：复发性VTE和主要出血，死亡作为竞争事件。

方法应用： - 每个终点单独分析：时间到首次事件（VTE或出血），死亡作为竞争事件，删失为独立删失。 - 估计终点特异性ACSH（每100人-月），计算组间差和比，以及Total ACSH（两个ACSH之和）。 - 全局Wald检验：\(T_{\text{global}} = 1.55\)，df=2，p=0.46。

结果： - 复发性VTE：DOAC组ACSH=1.17 (0.76,1.82)，LMWH组=1.70 (1.16,2.48)，差=-0.52 (-1.35,0.30)，比=0.692 (0.388,1.237)。 - 主要出血：DOAC组=1.06 (0.66,1.69)，LMWH组=1.11 (0.70,1.76)，差=-0.05 (-0.76,0.66)，比=0.955 (0.495,1.844)。 - Total ACSH：DOAC组=2.23 (1.48,2.98)，LMWH组=2.80 (1.91,3.70)，差=-0.57 (-1.74,0.60)，比=0.796 (0.501,1.267)。

例子说明：该例子展示了ACSH如何应用于实际临床试验，提供率尺度的组间对比，且不依赖比例风险假设。同时，Total ACSH提供了多终点负担的标量汇总。

🔎 结论是否比证明窄

  • 严格证明的部分：在独立右删失假设下，ACSH估计量的一致性和渐近正态性被严格证明（Appendix A）。两样本对比的Wald检验基于delta方法，在独立组假设下成立。
  • 泛化claim：作者在Section 5提到“If this assumption fails, the plug-in estimator is no longer consistent for \(\eta_k(\tau)\), and extensions to relax this assumption (for example, via inverse probability of censoring weighting) would be required.” 这意味着独立删失假设是关键，论文未证明非独立删失下的性质。
  • 回归建模：作者声称“Future work could consider regression modeling for ACSH”，但未提供任何回归框架的证明或模拟。类似地，子分布风险类似度量仅作为未来方向提及，无具体结果。
  • Total ACSH的方差估计：在Section 2.4中，作者使用delta方法估计Total ACSH方差，但未给出该方差估计量一致性的严格证明（仅通过模拟验证）。Appendix E的模拟支持其校准性，但理论证明缺失。

四、开放问题

  1. 回归建模：如何将ACSH纳入回归框架以调整协变量？作者引用Uno等（2024）的AH回归，但未扩展到竞争风险。扎根于Section 5 “Future work could consider regression modeling for ACSH”。具体要证：在给定协变量\(Z\)下，定义条件ACSH \(\eta_k(\tau \mid Z) = F_k(\tau \mid Z)/R(\tau \mid Z)\)，并发展估计和推断。

  2. 子分布风险类似度量：从子分布风险定义类似的率尺度度量，并发展推断。扎根于Section 5 “An analogous restricted-time rate-scale summary could be developed from the subdistribution hazard…its development is a natural direction for future work”。具体要证：定义\(\tilde{\eta}_k(\tau) = \tilde{F}_k(\tau)/\tilde{R}(\tau)\)，其中\(\tilde{F}_k\)是子分布CIF，\(\tilde{R}\)是受限平均生存时间（基于总体生存），并比较其与ACSH的性质。

  3. 非独立删失：放松独立删失假设，例如通过逆概率删失加权（IPCW）。扎根于Section 5 “If this assumption fails, the plug-in estimator is no longer consistent…extensions to relax this assumption…would be required”。具体要证：在给定协变量下删失可忽略时，构造加权ACSH估计量并推导渐近性质。

  4. 多个非终端终点的加权汇总：Total ACSH是简单求和，但不同终点可能有不同临床重要性。如何选择权重或定义更有意义的汇总度量？扎根于Section 2.4的Total ACSH定义，但未讨论加权。具体要证：给定权重向量\(w\)，定义加权ACSH \(\eta_w(\tau) = \sum_\ell w_\ell \eta_\ell(\tau)\)，并发展推断。

提醒：要确认这些是否真gap，建议去读同子领域近期约5篇的intro（如Uno等2024、Qian等2025、Horiguchi等2026、Putter等2020、以及Fine-Gray相关综述）。若都指向同一方向，则为共识gap；若互相打架，则为机会。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论