Estimating Pathway Treatment Effects in the Presence of Intermediate Events with Multi-State Data¶
作者: Yuhao Deng, Haoyu Wei, Donglin Zeng, Rui Song, Xiao-Hua Zhou
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.22608
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分析框架下的因果中介分析,其根本科学问题是:当药物对生存终点(如死亡)的效应通过多个中间事件(如心血管事件、微血管事件)传导时,如何将总效应分解为各条路径的贡献。该问题的统计挑战在于,中间事件既是治疗的"结果"又是后续事件的"原因",构成治疗诱导的时依混杂(treatment-induced time-varying confounding),使得经典中介分析中的序贯可忽略性(sequential ignorability)等假设失效。当前该方向的成熟度处于"方法快速发展但假设条件苛刻"的阶段——已有工作多局限于单一中间事件或竞争风险设定,对多中间事件、多路径交互的通用框架仍属空白。
发展脉络(history)¶
-
奠基工作:自然效应与可分离效应。中介分析的经典框架由 Robins (2004) 的自然效应(natural effects)和 Stensrud et al. (2021, 2022) 的可分离效应(separable effects)奠定。前者要求序贯可忽略性(无未测混杂),后者要求可忽略成分条件(dismissible components condition)。作者在引言中明确指出:"these frameworks only considered at most one type of intermediate event"——这是它们的主要局限。
-
生存数据中介分析的早期尝试。Huang (2021)、Weir et al. (2022)、Martinussen & Stensrud (2023)、Deng et al. (2024)、Breum et al. (2024) 将中介分析扩展到半竞争风险(semi-competing risks)设定。但这些工作均假设单一中间事件,无法处理多个中间事件并存且相互影响的情形。
-
随机干预效应框架的引入。VanderWeele & Tchetgen Tchetgen (2017)、Vansteelandt & Daniel (2017)、Lin et al. (2017)、Díaz & Vansteelandt (2020) 提出随机(随机化)干预效应(randomized interventional effects),通过"从特定分布随机抽取中间事件过程"来规避交叉世界假设。本文的核心创新在于将此框架从纵向数据推广到多状态模型(multi-state models),并处理多个中间事件。
-
当前 frontier:多状态模型中的因果分解。本文声称是首个在多状态框架下定义并估计路径特异性治疗效应的通用方法。其位置是:将随机干预效应从"单一中介"推广到"任意多状态转移图",同时保持半参数有效性。
子线索聚类¶
- 线索 A:因果中介分析的识别策略。包括自然效应(需序贯可忽略性)、可分离效应(需可忽略成分条件)、随机干预效应(需局部稳定性)。本文属于第三条路线,其优势在于不要求交叉世界假设。
- 线索 B:多状态生存模型的估计方法。包括 Cox 比例风险模型、Aalen 加性模型、frailty 模型等。本文采用 Cox 模型加 Breslow 估计量,但框架允许更一般的半参数模型。
- 线索 C:半参数效率理论。基于 Bickel et al. (1993) 的效率影响函数框架,本文推导了目标 estimand 的 EIF,并构造了一阶校正估计量。
这个方向在追问的核心问题¶
- 识别问题:在存在治疗诱导混杂时,如何定义并识别路径特异性效应?哪些假设是必要的、哪些可以放松?
- 估计问题:如何构造既稳健(对模型误设不敏感)又有效(达到半参数效率界)的估计量?
- 推断问题:如何对路径效应进行假设检验和置信区间构建,特别是在多状态、多路径的复杂设定下?
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口 frame 为:"existing frameworks only considered at most one type of intermediate event"(引言第 2 段),并声称"intermediate events act as treatment-induced confounders for subsequent transitions, natural effects are not identifiable due to violation of sequential ignorability if there are both semi-competing and competing events"(引言第 2 段)。作者据此提出随机干预效应框架作为"显然的下一步"——它不需要交叉世界假设,且能自然处理多状态结构。被淡化或回避的竞争路线:可分离效应框架(Stensrud et al. 2021, 2022)虽然也处理治疗诱导混杂,但要求识别"可分离的治疗成分",这在实践中往往难以验证;作者通过强调"hard to identify biologically meaningful treatment components with isolated effects in a real trial"(引言第 3 段)来间接贬低该路线。明显该被引却没出现在 intro 里:关于时依混杂的 g-computation 和 inverse probability weighting 的经典文献(如 Robins 1986, Hernán & Robins 2020)未被提及,尽管本文的识别策略本质上是一种 g-computation 形式。
张力¶
未见明显对立引用。但存在一个潜在张力:随机干预效应框架的"局部稳定性"假设(即干预只影响目标转移,不影响其他转移)与多状态模型中转移之间的复杂依赖关系可能冲突——作者在引言中未直接讨论此问题,但在第 5 节讨论中承认"interventional effects can at least recover useful knowledge that motivates future investigation on biological mechanisms"(第 5 节第 2 段),暗示其因果解释力有限。
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):
| 记号 | 含义 | 类型 |
|---|---|---|
| \(A \in \{0,1\}\) | 治疗分配(如 liraglutide vs placebo) | 随机变量(观测) |
| \(W \in \mathbb{R}^p\) | 基线协变量向量 | 随机变量(观测) |
| \(G\) | 状态集合(如 \(\{O, E, M, D\}\)) | 图结构(已知) |
| \(E\) | 转移边集合(如 \(\{(O,E),(O,M),(O,D),(E,M),(E,D),(M,E),(M,D)\}\)) | 图结构(已知) |
| \(X^a(t)\) | 干预水平 \(a\) 下时刻 \(t\) 的状态 | 潜在过程(不可观测) |
| \(\underline{X}^a(t)\) | 干预水平 \(a\) 下时刻 \(t\) 的状态历史 | 潜在过程(不可观测) |
| \(d\Lambda^a_{kg}(t \mid W, \underline{X}^a(t))\) | 干预水平 \(a\) 下从状态 \(k\) 到 \(g\) 的潜在转移风险 | 参数/函数(待估) |
| \(T^a_j\) | 干预水平 \(a\) 下首次到达状态 \(j\) 的时间 | 潜在变量(不可观测) |
| \(F^a_j(t)\) | 干预水平 \(a\) 下状态 \(j\) 的累积发生率函数(CIF) | 目标 estimand |
| \(a = (a_{kg} : (k,g) \in E)\) | 干预向量,\(a_{kg} \in \{0,1\}\) 表示对转移 \((k,g)\) 施加的干预水平 | 设计参数 |
| \(\Delta_k\) | 状态 \(k\) 是否被访问的指示 | 随机变量(观测) |
| \(T_k\) | 状态 \(k\) 的访问时间 | 随机变量(观测) |
| \(N_k(t)\) | 状态 \(k\) 的计数过程 | 随机过程(观测) |
| \(Y_k(t)\) | 状态 \(k\) 的风险指示(at-risk process) | 随机过程(观测) |
| \(M_{kg}(t)\) | 转移 \((k,g)\) 的计数过程 | 随机过程(观测) |
模型(数据生成机制):
-
多状态结构:个体从初始状态 \(O\) 出发,沿有向无环图(DAG)\((\mathcal{G}, \mathcal{E})\) 转移,每个状态最多访问一次(无环假设)。转移 \((k,g) \in \mathcal{E}\) 由潜在转移风险 \(d\Lambda^a_{kg}(t \mid W, \underline{X}^a(t))\) 刻画。
-
随机干预:对每个转移 \((k,g)\),干预水平 \(a_{kg} \in \{0,1\}\) 决定该转移的风险取自治疗组(\(a_{kg}=1\))还是对照组(\(a_{kg}=0\))的观测风险。干预是局部的——只改变目标转移的风险,不影响其他转移。
-
可观测数据:\(O_i = (A_i, W_i, \{T_{ik}, \Delta_{ik}\}_{k \in \mathcal{G}})\),即治疗分配、基线协变量、每个状态的访问时间与指示。关键点:我们观测到的是实际治疗 \(A\) 下的状态过程,而非所有潜在干预水平下的过程。潜在过程 \(X^a(t)\) 不可观测,只能通过假设识别。
-
识别假设:
- Ignorability(Assumption 1):\(A \perp\!\!\!\perp \underline{X}^a(t^*) \mid W\),即治疗分配在给定基线协变量下与潜在过程独立。
- Random censoring(Assumption 2):删失独立于潜在过程。
- Positivity(Assumption 3):倾向得分和未删失概率有正下界。
- Consistency(Assumption 4):观测过程等于潜在过程在 \(A=a\) 下的实现。
- Extended Markovness(Assumption 5):转移风险只依赖当前状态和未排序状态集合(unordered states),不依赖具体转移时间。
第二步:最小内核¶
最简特例:考虑一个三状态模型 \(\mathcal{G} = \{O, E, D\}\),其中 \(O\) 为初始状态,\(E\) 为中间事件(如非致命心血管事件),\(D\) 为终点事件(死亡)。转移边为 \(\mathcal{E} = \{(O,E), (O,D), (E,D)\}\)。干预向量 \(a = (a_{OE}, a_{OD}, a_{ED})\)。
核心问题:治疗 \(A\) 对死亡 \(D\) 的总效应可以分解为三条路径: 1. 直接路径:\(O \to D\)(不经过 \(E\)) 2. 间接路径 1:\(O \to E \to D\)(先发生 \(E\),再从 \(E\) 到 \(D\)) 3. 间接路径 2:\(O \to D\) 但 \(E\) 的发生改变了 \(D\) 的风险(即 \(E\) 作为时依混杂)
最小内核的数学表述:
目标 estimand 是反事实累积发生率:
其中 \(a = (a_{OE}, a_{OD}, a_{ED})\) 指定每个转移的干预水平。例如,\(F^{(1,0,0)}_D(t)\) 表示"治疗只影响 \(O \to E\) 转移,其他转移保持对照水平"时的死亡累积发生率。
识别公式(Theorem 1 的特例):
其中 \(q = (q(0), q(1), \ldots, q(l(q)))\) 是一条从 \(O\) 到 \(D\) 的路径,\(q[t_r]\) 是路径 \(q\) 在时间 \(t_r\) 之前的历史。对于三状态模型,\(\mathcal{Q}_D = \{(O,D), (O,E,D)\}\),所以:
为什么这个特例是"最小内核":
- 它体现了核心概念:通过局部干预转移风险来定义路径效应,避免了交叉世界假设。
- 它展示了识别策略:反事实 CIF 可以通过观测转移风险的"拼接"来识别,无需建模治疗诱导混杂。
- 它揭示了技术难点:即使在三状态模型中,间接路径的积分涉及多个转移时间的嵌套积分,需要处理时依风险。
证明的核心思路(Theorem 1 的证明逻辑):
- 第一步:利用 Ignorability 和 Consistency,将潜在转移风险 \(d\Lambda^a_{kg}(t \mid W, \underline{X}^a(t))\) 替换为观测转移风险 \(d\Lambda_{kg}(t \mid W, \underline{X}(t), A=a_{kg})\)。
- 第二步:利用 Extended Markovness,将转移风险简化为只依赖当前状态和未排序状态集合。
- 第三步:利用 Kolmogorov forward equation,将转移风险"拼接"为路径的联合密度,再积分得到 CIF。
- 关键点:随机干预的"局部性"保证了不同转移的干预可以独立指定,从而可以定义路径特异性效应。
这个特例的局限:三状态模型只有两条路径,而实际应用(如 LEADER 试验)有五个状态、七条转移边、五条路径。但所有技术难点(时依风险、嵌套积分、多重稳健性)在三状态模型中已经体现。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在多状态生存数据中,当中间事件作为治疗诱导的时依混杂时,如何定义、识别并估计治疗对终点事件的路径特异性效应(transition-, event-, and path-specific effects)。
- 核心工具/方法:将随机(随机化)干预效应框架推广到多状态模型,通过局部干预转移风险来定义反事实 CIF;基于半参数效率理论推导 EIF,构造多重稳健的一步估计量。
- 主要结论:所提出的 EIF 估计量在任一模型(转移风险、删失风险、倾向得分)正确指定时保持一致(多重稳健性),且达到半参数效率界;在 LEADER 试验中,liraglutide 显著降低心血管和微血管事件风险,且全因死亡率的降低主要由其对扩展主要不良心血管事件的影响所介导。
关键设定与假设¶
在第二节最小记号的基础上,本文的完整设定包括:
- 状态空间:\(\mathcal{G} = \{O, E, M, D\}\),其中 \(O\) 为初始状态,\(E\) 为扩展主要不良心血管事件(EMACE),\(M\) 为微血管事件(MVE),\(D\) 为死亡(终点状态)。转移边 \(\mathcal{E} = \{(O,E), (O,M), (O,D), (E,M), (E,D), (M,E), (M,D)\}\),共 7 条。
- 干预向量:\(a = (a_{OE}, a_{OM}, a_{OD}, a_{EM}, a_{ED}, a_{ME}, a_{MD})\),每个分量指定对应转移的干预水平。
- 假设:
- Assumption 1 (Ignorability):\(A \perp\!\!\!\perp \underline{X}^a(t^*) \mid W\)。这是标准的无未测混杂假设,但不要求序贯可忽略性——即允许中间事件受治疗影响并影响后续事件。
- Assumption 2 (Random censoring):\(N^a_c(t) \perp\!\!\!\perp \underline{X}^a(t+dt) \mid W, \underline{X}^a(t), A=a\)。删失独立于潜在过程。
- Assumption 3 (Positivity):倾向得分和未删失概率有正下界。
- Assumption 4 (Consistency):观测过程等于潜在过程在 \(A=a\) 下的实现。
- Assumption 5 (Extended Markovness):转移风险只依赖当前状态和未排序状态集合,不依赖具体转移时间。这是本文对标准 Markov 假设的推广——标准 Markov 假设要求风险只依赖当前状态,而 Extended Markovness 允许依赖"哪些状态已被访问"(即未排序历史),但不依赖具体访问时间。
相比已有工作的放宽/强化: - 放宽:不要求序贯可忽略性(自然效应框架需要),不要求可分离成分条件(可分离效应框架需要)。 - 强化:要求 Extended Markovness(标准竞争风险模型不需要),要求无环图结构(即每个状态最多访问一次)。
主要结果¶
Theorem 1 (Identifiability):在 Assumptions 1–4 下,反事实 CIF \(F^a_j(t)\) 被识别为:
其中 \(dP_r(t_r \mid a_{q(r-1)}, \cdot, w, q[t_r])\) 是转移 \((q(r-1), q(r))\) 在干预水平 \(a_{q(r-1),q(r)}\) 下的条件转移密度。
Lemma 1 (Efficient Influence Function):在 Assumptions 1–5 下,\(F^a_j(t)\) 的 EIF 为:
其中 \(\eta\) 是影响函数项,涉及倾向得分、删失风险和转移风险的估计。
Theorem 2 (Multiple Robustness):EIF 估计量在以下任一条件成立时保持一致: 1. 所有转移风险模型正确指定; 2. 倾向得分、删失风险正确指定,且除一个转移风险外的所有转移风险正确指定。
Theorem 3 (Semiparametric Efficiency):在正则条件下,\(\sqrt{n}\{\tilde{F}^a_j(t) - F^a_j(t)\} \Rightarrow N(0, E[\text{EIF}\{F^a_j(t)\}]^2)\),且方差达到半参数效率界。
证明路线与技术技巧¶
整体路线(以 Theorem 1 为例):
- 从潜在到观测:利用 Consistency 和 Ignorability,将潜在转移风险替换为观测转移风险。
- 路径分解:将反事实 CIF 分解为所有从 \(O\) 到 \(j\) 的路径的子 CIF 之和。
- Kolmogorov 前向方程:将每条路径的子 CIF 表示为转移密度的嵌套积分。
- 识别:证明嵌套积分中的每一项都可以从观测数据中估计。
关键技巧:
- EIF 推导:采用 van der Vaart & Wellner (2013) 的路径导数方法。关键步骤是:
- 构造参数子模型 \(P_\epsilon\);
- 计算目标泛函 \(F^a_j(t)\) 在 \(\epsilon=0\) 处的导数;
-
利用 Riesz 表示定理得到 EIF。
-
多重稳健性证明:利用 EIF 的"双稳健"结构,将估计误差分解为多个乘积项,每个乘积项涉及一个模型的误设。只要有一个模型正确,所有乘积项都趋于零。
-
Donsker 条件验证:证明 EIF 属于 Donsker 类,从而可以用经验过程理论处理第二项 \(o_P(1)\)。关键观察是 EIF 是转移风险、倾向得分和删失风险的 Lipschitz 函数,而 Cox 模型估计量满足 Donsker 条件。
技术难点: - 嵌套积分的处理:每条路径的子 CIF 涉及 \(l(q)\) 层嵌套积分,需要递归计算。 - 时依协变量的处理:转移风险依赖未排序状态集合,这引入了时依协变量,使得标准竞争风险技术不直接适用。 - EIF 的显式表达:EIF 涉及多个影响函数项的乘积,推导过程繁琐但系统。
真实例子与应用¶
LEADER 试验(Liraglutide Effect and Action in Diabetes: Evaluation of Cardiovascular Outcome Results): - 数据:9,340 名 2 型糖尿病高危患者,随机分配至 liraglutide 或安慰剂,随访至 60 个月。 - 状态定义:\(O\) = 无事件,\(E\) = 扩展主要不良心血管事件(EMACE),\(M\) = 微血管事件(MVE),\(D\) = 死亡。 - 方法应用: 1. 分别拟合治疗组和对照组的 Cox 模型,协变量包括年龄、性别、BMI、HbA1c、糖尿病病程、心血管风险、胰岛素使用等。 2. 计算反事实 CIF 的 EIF 估计量。 3. 检验路径特异性效应。 - 结果: - liraglutide 显著降低 EMACE 风险(直接效应 \(P = 0.0013\))和 MVE 风险(直接效应 \(P = 0.004\))。 - 全因死亡率的降低主要由 EMACE 路径介导(路径效应 \(P = 0.0119\)),而非直接效应(\(P = 0.8638\))。 - 敏感性分析(frailty 模型)显示未测混杂的影响很小(\(\hat{\sigma}_1 = 0.009\),\(\hat{\sigma}_0 = 0.009\))。
模拟研究: - 设置 \(n = 1000\),重复 1000 次。 - 四种场景:全部模型正确、倾向得分误设、一个转移风险误设、多个转移风险误设。 - 结果:EIF 估计量在全部模型正确时几乎无偏,在任一模型正确时保持一致性;置信区间覆盖率接近 95%。
🔎 结论是否比证明窄¶
是。具体表现:
-
Theorem 3 的证明依赖 Extended Markovness,但作者在讨论中声称"our framework can potentially be extended to non-Markov settings"(第 5 节第 3 段),并未给出证明。EIF 的推导(Lemma 1)明确使用了 Extended Markovness 来简化影响函数的结构,去掉该假设后 EIF 的形式会改变。
-
多重稳健性(Theorem 2)的证明假设"除一个转移风险外的所有转移风险正确指定",但实际应用中很难保证"除一个外全部正确"。作者在模拟中只考虑了单一转移风险误设的情况,未考虑多个转移风险同时误设。
-
EIF 的推导假设状态转移图是无环的(每个状态最多访问一次)。作者在讨论中承认"extensions to recurrent events are left for future work"(第 5 节第 4 段),但未说明无环假设在证明中的具体作用。
-
LEADER 试验分析中,作者将 EMACE 和 MVE 视为"首次事件",但实际中患者可能在 EMACE 后发生 MVE,或反之。作者的处理方式隐含了"首次事件决定后续路径"的假设,这在 EIF 推导中并未明确讨论。
四、开放问题¶
以下开放问题均扎根于论文的具体语句:
-
非 Markov 情形的 EIF:作者在讨论中承认"our framework relies on the Extended Markovness assumption"(第 5 节第 3 段),但未给出去掉该假设后的 EIF 形式。要确认这是否为真 gap,可查阅 Martinussen & Stensrud (2023) 和 Deng et al. (2024) 的后续工作——若他们已处理非 Markov 情形,则此 gap 已部分填补。
-
多个转移风险同时误设时的稳健性:Theorem 2 只保证"除一个外全部正确"时的一致性。实际应用中,多个转移风险可能同时误设。可考虑扩展多重稳健性到"部分正确"的情形,或推导误设时的偏差界。
-
有环图(recurrent events)的扩展:作者明确说"extensions to recurrent events are left for future work"(第 5 节第 4 段)。这需要重新定义随机干预——当同一状态可多次访问时,"局部干预转移风险"的含义需要重新审视。
-
时依协变量的处理:本文的 Extended Markovness 假设转移风险只依赖未排序状态集合,不依赖具体转移时间。但实际中,转移风险可能依赖"在某个状态停留了多久"(sojourn time)。作者在讨论中承认"modeling sojourn times is a possible relaxation"(第 5 节第 5 段),但未给出具体方案。
-
最优干预策略:本文关注的是效应分解,而非策略优化。作者在讨论中提到"our framework can potentially inform the development of optimal dynamic treatment policies"(第 5 节第 2 段),但未给出如何从路径效应推导最优策略的具体方法。
验证建议:要确认上述问题是否为真 gap,建议阅读以下近期工作(各约 5 篇)的引言部分: - 非 Markov 中介分析:Martinussen & Stensrud (2023)、Deng et al. (2024)、Breum et al. (2024) - 多重稳健估计:Rotolo et al. (2016)、Li et al. (2020)、Gu et al. (2024) - 多状态因果推断:Chen & Lin (2025)、Wang et al. (2025)
若这些工作均未处理上述问题,则它们构成值得投入的研究方向。
Maintained by 陈星宇 · Homepage · Source on GitHub