Doubly robust estimation of while-alive estimands in individually-randomized and cluster-randomized trials¶
作者: Xi Fang, Da Zhao, Fan Li
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.15969
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是生存截断(truncation by death)下的纵向因果推断,其根本科学问题是:在慢性病随机试验中,复发非致命事件(如反复住院、反复跌倒)被死亡这一终端事件截断,如何定义并估计一个既有临床意义、又有因果解释的治疗效应。该子方向的成熟度处于"框架已建立、但估计方法仍在发展中"的阶段——while-alive estimand 的概念框架已由 ICH E9(R1) 增补(International Council for Harmonisation, 2019)和后续方法学文献(Mao, 2023; Wei et al., 2023; Schmidli et al., 2023)确立,但针对该 estimand 的双稳健估计,尤其是在整群随机试验(CRT)设定下,此前尚属空白。
发展脉络¶
- 奠基工作:计数过程与 Nelson–Aalen 估计量(Aalen, 1978; Nelson, 1972)为本文的"局部 Nelson–Aalen 表示"提供了数学基础。Andersen & Gill (1982) 和 Andersen et al. (1993) 将计数过程回归推广到 Cox 型模型,构成了本文工作模型(Cox 比例风险、LWYY 比例率模型)的理论根基。
- 复发事件与终端事件的联合建模:Cook & Lawless (1997, 2002, 2007) 系统发展了复发事件分析,明确区分了边际率/均值函数方法与条件强度方法。D. Y. Lin et al. (2000) 提出的 LWYY 模型(边际比例率模型)是本文复发事件工作模型的基础。Ghosh & Lin (2000, 2002) 处理了复发事件与终端事件的相关性,但未从因果推断角度定义 estimand。
- 因果推断视角的引入:Mao (2023) 首次系统研究了 while-alive estimand 的非参数估计;Wei et al. (2023) 比较了两种 while-alive estimand 的性质;Schmidli et al. (2023) 从 ICH E9(R1) 框架出发讨论了估计策略。这些工作确立了 estimand 的定义,但双稳健估计尚未发展。Ragni et al. (2026) 推导了患者加权 while-alive estimand 的有效影响函数,但未覆盖暴露加权版本。
- CRT 中的 estimand 框架:Kahan et al. (2024, 2026) 提出了 "CRT-Estimands Framework",强调整群随机试验中必须区分个体平均与整群平均效应,并处理信息性整群大小。Fang et al. (2025, 2026a, 2026b) 发展了 CRT 中生存结局的双稳健估计,但未涉及 while-alive 设定。
- 本文位置:作者将双稳健估计从"无截断的复发事件"和"有截断但无双稳健"两个方向汇合,填补了"while-alive estimand + 双稳健估计 + CRT"三者交叉的空白。
子线索聚类¶
- 复发事件与终端事件的联合建模(Cook & Lawless, 1997, 2002, 2007; Ghosh & Lin, 2000, 2002; D. Y. Lin et al., 2000):这一簇关注的是统计建模——如何刻画复发事件过程与死亡的相关性,但不强调因果解释。
- While-alive estimand 的定义与估计(Mao, 2023; Wei et al., 2023; Schmidli et al., 2023; Ragni et al., 2026):这一簇关注的是因果 estimand 的明确定义,区分患者加权与暴露加权版本,并发展相应的估计方法。
- CRT 中的 estimand 框架与因果推断(Kahan et al., 2024, 2026; Fang et al., 2025, 2026a, 2026b):这一簇关注的是整群随机试验中的效应定义,处理信息性整群大小、个体平均与整群平均的区分。
- 双稳健与半参数效率理论(Robins et al., 1994; Bang & Robins, 2005; Tsiatis, 2006; Laan & Robins, 2006):这一簇提供的是方法论工具——影响函数、增广估计方程、双稳健性质。
这个方向在追问的核心问题¶
- 如何定义"活着时的疾病负担":当死亡截断复发事件时,如何定义一个既不受生存时间长短混淆、又有临床意义的效应度量?
while-aliveestimand 通过"每单位存活时间的事件数"来回答,但患者加权与暴露加权版本回答的是不同的问题。 - 如何在删失下保持因果解释:传统方法将死亡视为删失会失去因果解释(因为死亡不是独立的删失),而本文通过增广估计方程在"删失模型正确"或"结局模型正确"之一成立时保持一致性。
- 如何在 CRT 中处理信息性整群大小:当整群大小与结局相关时,个体平均与整群平均 estimand 不同,需要显式定义目标人群权重。
⚠️ 作者的 framing¶
这是作者的说法:作者将缺口 frame 为"while-alive estimand 的双稳健估计在 IRT 和 CRT 中均未发展"。具体而言,作者声称:(1) 现有方法要么丢弃复发事件(时间到首次事件),要么混淆治疗效应与生存(累计事件数),要么将死亡视为删失而失去因果解释;(2) 已有的 while-alive 估计方法(Mao, 2023; Wei et al., 2023)缺乏双稳健性;(3) CRT 中尚无 while-alive estimand 的双稳健估计方法。作者通过表 1 的对比,将本文定位为唯一同时满足"while-alive + 协变量依赖删失 + 双稳健 + CRT"的方法。作者淡化了 Ragni et al. (2026) 的效率分析(仅在效率 gap 讨论中提及),并回避了与 Baer et al. (2025) 的竞争关系——尽管附录 A5 证明了二者的一阶等价性,但正文中并未强调这一等价性意味着本文的"新意"可能主要是实现层面的。
张力¶
未见明显对立引用。但值得注意的是:Mao (2023) 和 Wei et al. (2023) 对 while-alive estimand 的定义略有不同(患者加权 vs. 暴露加权),本文选择了暴露加权版本,这一选择在正文中未充分论证其相对于患者加权版本的优越性。
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):
- 参数 / estimand:
- \(\psi_a(\tau; w)\):治疗臂 \(a\) 在时间窗 \([0, \tau]\) 内的暴露加权 while-alive 复发事件率,定义为 \(\mu_a(\tau; w) / \nu_a(\tau)\),其中 \(\mu_a\) 是加权事件负担,\(\nu_a\) 是受限平均生存时间。
- \(\Delta(\tau; w) = \psi_1(\tau; w) - \psi_0(\tau; w)\):治疗对比。
- \(\Lambda^D_a(t)\)、\(\Lambda^{R,w}_a(t)\):边际终端事件累积风险、边际加权复发事件累积率。
-
\(S_a(t)\):边际生存函数。
-
随机变量 / 样本:
- \(A_i \in \{0,1\}\):治疗分配(IRT 中为个体水平,CRT 中为整群水平)。
- \(Z_i \in \mathbb{R}^p\):基线协变量。
- \(D_i\):终端事件(死亡)时间。
- \(N_i(t)\):复发事件计数过程,\(N^{w}_i(t) = w^\top N_i(t)\) 为加权计数过程。
- \(C_i\):删失时间。
- \(X_i = \min(D_i, C_i, \tau)\):观察到的随访时间。
- \(\delta_i = I(D_i \le C_i \wedge \tau)\):终端事件指示。
- \(\delta^C_i = I(C_i < D_i \wedge \tau)\):删失指示。
- \(Y_i(t) = I(X_i \ge t)\):在险指示。
- \(K^a_i(t) = P(C^a \ge t \mid Z_i)\):条件删失生存函数。
-
\(H^a_i(t) = P(D^a \ge t \mid Z_i)\):条件终端事件生存函数。
-
潜在量(counterfactual):\(D^a_i\)、\(N^{a}_i(t)\)、\(C^a_i\) 分别表示在治疗臂 \(a\) 下的潜在死亡时间、潜在复发事件过程、潜在删失时间。
模型:
- 数据生成机制:每个个体 \(i\) 有潜在结果 \(\{D^a_i, N^{a}_i(\cdot), C^a_i : a = 0,1\}\),观测到 \(A_i\) 对应的那组。复发事件过程在死亡时停止(即 \(N^{a}_i(t) = N^{a}_i(t \wedge D^a_i)\))。
- 假设:
- 一致性:观测到的 \((D_i, N_i(\cdot))\) 等于 \((D^{A_i}_i, N^{A_i}_i(\cdot))\)。
- 无干扰:个体间无干扰(CRT 中为整群间无干扰,群内允许任意相关)。
- 可忽略性:\(A_i \perp \{D^0_i, D^1_i, N^0_i(\cdot), N^1_i(\cdot), C^0_i, C^1_i\} \mid Z_i\)(IRT 中由随机化保证;CRT 中条件于整群水平协变量)。
- 条件独立删失:\(C^a_i \perp \{D^a_i, N^{a}_i(\cdot)\} \mid Z_i\)(假设 3)。
-
正值性:\(K^a_i(t) > 0\) 在 \([0, \tau]\) 上一致成立。
-
可观测数据:\(O_i = (A_i, Z_i, X_i, \delta_i, \delta^C_i, N_i(\cdot))\),其中 \(N_i(\cdot)\) 是 \([0, X_i]\) 上的计数过程路径。关键点:死亡后的事件不可观测,删失后的事件也不可观测;但通过假设 3,删失是条件独立的,而死亡不是。
第二步:最小内核¶
最简特例:假设 \(K=1\)(单一事件类型),\(w=1\),\(\tau\) 固定,且没有协变量(\(Z_i\) 为空)。此时:
- 目标 estimand:\(\psi_a(\tau) = \mu_a(\tau) / \nu_a(\tau)\),其中 \(\mu_a(\tau) = E\{N^a(\tau)\}\) 是期望事件数,\(\nu_a(\tau) = E(D^a \wedge \tau)\) 是受限平均生存时间。
- 核心困难:\(N^a(\tau)\) 在死亡后不可观测。如果简单地把死亡当作删失,用 IPCW 估计 \(E\{N^a(\tau)\}\),会得到 \(\int_0^\tau S_a(t) d\Lambda^{R}_a(t)\),其中 \(\Lambda^R_a\) 是边际复发事件率。但问题是:\(\Lambda^R_a\) 本身依赖于 \(S_a\)(因为只有活着的人才有风险),而 \(S_a\) 又依赖于 \(\Lambda^D_a\)。因此,\(\mu_a(\tau)\) 和 \(\nu_a(\tau)\) 是耦合的。
本文的核心思想:将 \(\mu_a(\tau)\) 和 \(\nu_a(\tau)\) 都表示为局部量的积分:
在删失下,\(E\{dN^{D,a}(t)\}\) 和 \(E\{Y^a(t)\}\) 无法直接观测,但可以通过逆概率删失加权(IPCW)识别:
双稳健的来源:估计方程 (5) 和 (8) 是增广的——第一项是 IPCW 项(依赖删失模型 \(K\)),第二项是条件结局模型(依赖 \(H\) 和 \(d\Lambda^D_i\)、\(d\Lambda^{R}_i\))。只要 \(K\) 或结局模型之一正确,估计方程在真值处期望为零,从而估计量一致。这就是"双稳健"的数学内核。
为什么这个内核是"最小"的:去掉所有一般性假设(多事件类型、协变量、CRT 整群结构)后,剩下的核心问题是:如何在条件独立删失下,用增广估计方程同时估计边际生存函数和边际复发事件率,并保证二者的比值(即 while-alive rate)在删失模型或结局模型之一正确时一致。本文的全部技术细节(影响函数、渐近正态性、CRT 扩展)都是在这个内核上"加壳"。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在 IRT 和 CRT 中,针对被死亡截断的复发非致命事件,如何双稳健地估计暴露加权 while-alive 复发事件率及其治疗对比。
- 核心工具 / 方法:基于局部 Nelson–Aalen 表示,构建增广估计方程,分别估计边际终端事件风险和加权复发事件率,再通过比值构造 while-alive rate;CRT 中通过整群水平影响函数处理群内相关性和信息性整群大小。
- 主要结论:所提估计量具有逐分量双稳健性(删失模型或结局模型之一正确即一致)和渐近正态性;模拟验证了有限样本性质;两个真实数据应用(HF-ACTION 和 STRIDE)展示了方法的实用性。
关键设定与假设¶
- IRT 设定(第 2 节):
- 假设 1(一致性)、假设 2(随机化)、假设 3(条件独立删失)。
- 工作模型:删失 Cox 模型(\(\Lambda^C_i(t \mid Z_i)\))、终端事件 Cox 模型(\(\Lambda^D_i(t \mid Z_i)\))、复发事件 LWYY 比例率模型(\(d\Lambda^{R,k}_i(t \mid Z_i)\))。
- 相比已有文献:Mao (2023) 和 Wei et al. (2023) 的估计量不具双稳健性;Baer et al. (2025) 的估计量虽具鲁棒性但基于未来均值回归,且未覆盖 CRT。本文的放松在于:允许删失依赖协变量,且不要求复发事件过程与死亡独立。
-
强化:要求工作模型满足一定的收敛速率(附录 A3),且删失分布需一致有界远离零(假设 3 的"一致有界"版本)。
-
CRT 设定(第 3 节):
- 假设 4(整群水平一致性)、假设 5(整群随机化,允许整群内任意相关)、假设 6(条件独立删失,条件于整群水平协变量)。
- 定义了个体平均与整群平均两类 estimand,权重 \(\omega^\ell_i\) 区分目标人群。
- 相比 IRT:推断单元从个体变为整群,影响函数在整群水平聚合;信息性整群大小通过权重显式处理。
主要结果¶
- 定理 1(逐分量双稳健性):对每个治疗臂 \(a\),\(\hat{\nu}^{\mathrm{DR}}_a(\tau)\) 在 \(C_a\) 或 \(O^D_a\) 成立时一致;\(\hat{\mu}^{\mathrm{DR}}_a(\tau; w)\) 在 \(C_a\) 或 \(O^D_a \cap O^R_a\) 成立时一致。因此 \(\hat{\psi}^{\mathrm{DR}}_a(\tau; w)\) 在 \(C_a\) 或 \(O^D_a \cap O^R_a\) 成立时一致。
- 定理 2(渐近正态性):在正则条件下,\(\sqrt{n}(\hat{\Delta}^{\mathrm{DR}}(\tau; w) - \Delta(\tau; w)) \Rightarrow N(0, \sigma^2_\Delta)\),影响函数由附录 A3.3–A3.4 给出。
- 定理 3(CRT 版本):在整群水平影响函数下,\(\sqrt{M}(\hat{\Delta}^{\mathrm{DR}}_\ell(\tau; w) - \Delta_\ell(\tau; w)) \Rightarrow N(0, \sigma^2_{\Delta,\ell})\)。
- 推论 1(方差估计):影响函数方差估计量一致,可用于构造 Wald 置信区间。
- 附录 A4(效率 gap):给出了效率损失的具体表达式,指出当历史充分性条件不满足时,本文估计量非有效,但损失可控。
证明路线与技术技巧¶
整体路线(以 IRT 为例):
- 局部化:将 \(\mu_a(\tau; w)\) 和 \(\nu_a(\tau)\) 表示为局部量 \(d\Lambda^D_a(t)\)、\(d\Lambda^R_a(t)\)、\(S_a(t)\) 的积分(命题 1)。
- 增广:对每个局部量构造增广估计方程——IPCW 项(处理删失)加上条件期望项(恢复信息、赋予双稳健性)。
- 乘积积分:用 Nelson–Aalen 型乘积积分从估计的 \(d\hat{\Lambda}^D_a(t)\) 构造 \(\hat{S}^{\mathrm{DR}}_a(t)\),保证单调性。
- Stieltjes 积分:用 \(\hat{S}^{\mathrm{DR}}_a(t-)\) 作为权重,对 \(d\hat{\Lambda}^{R,\mathrm{DR},w}_a(t)\) 积分得到 \(\hat{\mu}^{\mathrm{DR}}_a(\tau; w)\)。
- 影响函数展开:将估计量展开为经验过程项 + nuisance 估计项,利用 von Mises 展开和 Hadamard 可微性(附录 A3.3–A3.4)得到渐近线性表示。
- CRT 扩展:将个体水平影响函数聚合为整群水平,利用整群独立性建立 CLT。
关键技巧:
- 局部 Nelson–Aalen 表示(命题 1):这是全文的支点。它将复杂的"事件数 / 存活时间"比值分解为两个独立的局部量,使得增广估计方程可以分别构造。
- 增广估计方程:方程 (5) 和 (8) 中的第二项 \(\{1 - \xi^a_i U^a_i(t)\}dq^{\star}\) 是关键——它保证了双稳健性。当 \(K\) 正确时,第一项 IPCW 项已经无偏;当结局模型正确时,第二项的期望为零,而第一项在 \(K\) 错误时由第二项"纠正"。
- 整群水平影响函数:CRT 中不要求群内独立,而是直接定义整群水平的"伪个体"影响函数,利用整群独立性进行推断。这避免了指定群内相关结构。
真实例子与应用¶
- HF-ACTION(IRT):2130 名慢性心衰患者,复发事件为全因住院,终端事件为全因死亡。主要时间窗为 4 年。结果:运动训练组的 while-alive 住院率略低于常规护理组,但差异不显著(\(\hat{\Delta}(4; w) = -0.025\),95% CI 包含 0)。该例子展示了方法在大型多中心试验中的应用。
- STRIDE(CRT):86 个基层诊所随机化,5451 名老年人,复发事件为跌倒损伤,终端事件为死亡。分别估计了个体平均与整群平均 estimand。结果:干预组在早期时间窗(1-2 年)的 while-alive 跌倒损伤率较低,但 3 年时差异消失。该例子展示了方法在整群随机化、信息性整群大小下的应用。
🔎 结论是否比证明窄¶
- 明确证明、但结论泛化:定理 1 的逐分量双稳健性是在"删失模型正确"或"结局模型正确"的二选一条件下证明的,但正文摘要和结论中使用了"双稳健"这一术语,可能被读者理解为"同时正确"或"更弱的条件"。附录 A4 明确指出了效率损失,但正文未充分强调本文估计量不是半参数有效的。
- CRT 部分的证明依赖较强假设:定理 3 要求整群数 \(M \to \infty\),且整群大小有界(附录 A7 假设 A7.1(iv))。但真实数据中整群大小可能差异很大(STRIDE 中 10 到 199),这一假设是否合理未在正文中讨论。
- 模拟仅覆盖有限场景:模拟只考虑了 \(K=2\) 种事件类型、Weibull 基线、特定参数组合,未覆盖高维协变量、复杂删失模式或整群数较少的情形。结论中"有限样本性质良好"的表述可能超出模拟覆盖范围。
四、开放问题¶
-
半参数效率:本文估计量在历史充分性条件不满足时非有效(附录 A4)。能否构造一个在更弱条件下达到半参数效率下界的估计量?这需要推导完整模型下的有效影响函数,并处理高维历史信息。扎根于附录 A4 的效率 gap 讨论。
-
同时双稳健:本文的逐分量双稳健性要求"删失模型正确"或"结局模型正确"之一,但不是"删失模型和结局模型同时正确"意义上的双稳健。能否构造一个在"删失模型正确"或"结局模型正确"(而非"结局模型中的终端事件和复发事件模型同时正确")时一致的估计量?扎根于定理 1 的证明结构。
-
整群数较少时的推断:CRT 中整群数 \(M\) 通常较小(如 20-40 个诊所),此时整群水平 CLT 可能不准确。能否发展基于整群 bootstrap 或野 bootstrap 的有限样本校正方法?扎根于定理 3 的 \(M \to \infty\) 假设。
-
时变治疗或协变量:本文假设治疗是基线固定的,协变量是基线的。若治疗或协变量随时间变化,while-alive estimand 的定义和估计需要扩展到纵向因果推断框架(如 g-formula 或结构嵌套模型)。扎根于讨论部分对"未来均值回归"的提及。
-
敏感性分析:假设 3(条件独立删失)在实际中可能不成立。能否发展针对 while-alive estimand 的敏感性分析方法,量化删失依赖未测量因素时的偏差?扎根于讨论部分对删失假设的局限性的承认。
提示:若要确认上述开放问题是否为真 gap,建议去读以下近期文献的引言和讨论部分:(i) 关于复发事件 + 终端事件的因果推断(如 Genetti et al. 2025, Huang et al. 2026);(ii) CRT 中的 estimand 框架(Kahan et al. 2024, 2026);(iii) 生存截断下的敏感性分析。若这些文献的引言都指向"双稳健 while-alive 估计尚未发展",则第 1-2 条是真 gap;若已有工作涉及,则需调整。
Maintained by 陈星宇 · Homepage · Source on GitHub