跳转至

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

本文研究的核心问题是：在存在中间事件（如疾病进展）的生存数据（多状态数据）中，如何估计治疗沿着不同路径对主要终点（如死亡）的因果效应。这是一个将因果推断中的路径效应（path-specific effects）识别与多状态生存模型（multi-state models） 相结合的子方向。其根本挑战在于，中间事件既是治疗后的变量，又会影响后续事件的发生，从而成为“治疗诱导的混杂因素”（treatment-induced confounding），这使得传统的中介分析框架（如自然效应、可分离效应）的识别假设失效。当前该方向正处于从“处理单一中间事件”向“处理多个相互作用的中间事件”过渡的阶段，且对统计效率和稳健性的理论需求日益增长。

发展脉络（history）

根据作者的引言和参考文献，该方向的发展脉络可梳理如下：

  1. 奠基工作：多状态模型与竞争风险模型

    • Prentice et al. (1978), Fine & Gray (1999), Andersen & Keiding (2002), Putter et al. (2007)：建立了多状态模型和竞争风险模型的基本框架，定义了状态、转移、累积发生率函数（CIF）等核心概念，并提供了基于转移风险的估计方法。这些工作为后续的因果推断提供了数据建模基础。

  2. 主要进展：将中介分析框架引入生存数据

    • 自然效应（Natural Effects）：Huang (2021), Weir et al. (2022), Martinussen & Stensrud (2023), Deng et al. (2024), Breum et al. (2024) 尝试将传统中介分析中的“自然直接/间接效应”扩展到半竞争风险数据。作者指出，这些框架“only considered at most one type of intermediate event”，并且当存在多个相互竞争的中间事件时，由于“sequential ignorability”假设被违反，自然效应不可识别。
    • 可分离效应（Separable Effects）：Stensrud et al. (2021, 2022), Robins et al. (2022) 提出了一个替代框架，假设原始治疗可以被分解为多个成分，每个成分只直接影响一个事件。作者认为，可分离效应“are not informative about the effect through each transition pathway”，且在实际试验中很难找到生物学上有意义的、具有孤立效应的治疗成分。

  3. 当前 Frontier：随机干预效应（Randomized Interventional Effects）

    • VanderWeele & Tchetgen Tchetgen (2017), Vansteelandt & Daniel (2017), Lin & VanderWeele (2017), Díaz & Hejazi (2020), Hejazi et al. (2022), Valeri et al. (2023)：提出了“随机干预效应”框架，用于纵向研究中的中介分析。该框架的核心思想是，通过设想一个“随机干预”来设定中间变量的分布，从而避免“交叉世界”（cross-world）假设。作者将此框架视为解决多状态数据路径效应问题的关键工具。
    • 本文的位置：作者将上述随机干预效应框架首次系统性地推广到多状态生存数据。他们定义了在转移风险层面进行顺序随机干预的机制，并推导了反事实累积发生率（CIF）的有效影响函数（EIF），从而构建了半参数有效且多重稳健的估计量。这填补了“统计上高效且稳健的估计方法”的空白。

子线索聚类

被引文献大致落在以下三条子线索上：

  • 线索一：多状态生存数据建模：关注如何用数学模型（如转移风险、Kolmogorov 前向方程）描述和估计事件随时间演化的过程。代表工作：Prentice et al. (1978), Fine & Gray (1999), Andersen & Keiding (2002), Putter et al. (2007), Zeng & Lin (2007)。
  • 线索二：因果中介分析的识别与估计：关注在何种假设下，可以识别和估计治疗通过中间变量对结局的间接效应。代表工作：自然效应（Huang 2021, Martinussen & Stensrud 2023）、可分离效应（Stensrud et al. 2021, Robins et al. 2022）、随机干预效应（VanderWeele & Tchetgen Tchetgen 2017, Díaz & Hejazi 2020）。
  • 线索三：半参数效率理论与稳健估计：关注如何利用有效影响函数（EIF）构建渐近有效且对模型误设稳健的估计量。代表工作：Bickel et al. (1993), Hines et al. (2022), Kennedy (2024)。

这个方向在追问的核心问题

  1. 识别问题：在存在治疗诱导的、未观测的混杂因素时，如何定义和识别沿着特定转移路径的因果效应？传统假设（如序贯可忽略性）在多状态数据中几乎必然被违反。
  2. 估计问题：如何从观测数据中高效且稳健地估计这些路径效应？简单的“plug-in”估计量（先估计转移风险，再代入公式）效率低且对模型误设敏感。
  3. 推断问题：如何对路径效应进行假设检验，以确定治疗是否通过特定路径发挥作用？
  4. 解释问题：定义的因果效应（如随机干预效应）是否具有实际意义？能否指导临床决策？

⚠️ 作者的 framing

  • 作者如何 frame 缺口：作者将缺口 frame 为“现有中介框架（自然效应、可分离效应）在处理多状态数据时，要么识别假设不成立，要么定义不清晰或难以解释”。因此，他们的工作——将随机干预效应推广到多状态数据——成为了“显然的下一步”。他们强调，随机干预效应“does not require cross-world assumptions”且“remains valid in a hypothetical sense by marginalizing over [unmeasured confounders]”，从而绕开了其他框架的核心难题。
  • 被淡化或回避的竞争路线：作者明确指出了可分离效应的局限性（难以找到有意义的治疗成分，且不提供路径信息）。对于自然效应，他们仅指出其在多状态数据下不可识别，但未深入讨论在某些特定结构（如无治疗诱导混杂）下，自然效应是否仍可作为有意义的基准。
  • 值得研究者去查的问题：作者在引言中引用了 Deng et al. (2026) 和 Vo et al. (2026) 来支持随机干预效应在处理未观测混杂时的有效性。但这两篇文献本身可能也处于发展初期。一个值得查证的问题是：是否存在其他处理治疗诱导混杂的因果框架（如基于“阴性对照”的 Proximal Causal Inference）被本文完全忽略？ 如果有，它们与本文的随机干预框架在假设和解释上有什么根本差异？

张力

未见明显对立引用。文献脉络呈现清晰的递进关系：从建模到因果识别，再到高效估计。不同框架（自然效应 vs. 可分离效应 vs. 随机干预效应）之间的差异被作者清晰地表述为“适用场景和假设强度”的不同，而非根本性矛盾。

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：

    • A：治疗分配变量（A=1 治疗组，A=0 对照组）。
    • W：基线协变量向量（如年龄、性别）。
    • G：状态集合，包括初始状态（O）、中间状态（如 E, M）和终末状态（如 D）。
    • E：转移集合，即 (k, g) 表示从状态 k 到状态 g 的一步转移。
    • X(t)：在时间 t 时的观测状态。
    • X^a(t)：在干预水平 a 下的反事实状态过程。a 是一个向量，其分量 a_kg 指定了对转移 (k,g) 的干预水平（1 表示采用治疗下的风险，0 表示采用对照下的风险）。
    • T^a_j：在干预 a 下，首次到达状态 j 的反事实时间。
    • F^a_j(t)：反事实累积发生率函数（CIF），即 P(T^a_j ≤ t)。这是核心的因果 estimand。
    • dΛ^a_kg(t|W, X^a(t))：在干预 a 下，给定历史和协变量，从状态 k 到 g 的反事实转移风险。
    • q：一条从初始状态到目标状态的路径，如 q = (O, E, D)。
    • Q_j：所有从初始状态到状态 j 的路径集合。
    • N_k(t)：观测到的、指示状态 k 是否在时间 t 前被访问的计数过程。
    • Y_k(t)：观测到的、指示个体在时间 t 是否处于状态 k 的风险过程。
    • M_kg(t)：与转移 (k,g) 相关的鞅过程。

  • 模型：

    • 数据生成机制由多状态模型描述。个体从初始状态 O 开始，根据转移风险 dΛ_kg(t|W, X(t)) 在不同状态间转移，最终可能进入终末状态 D 或被删失 c。转移风险可以依赖于基线协变量 W 和当前的状态历史 X(t)。
    • 因果模型假设存在一个反事实世界，其中我们可以对每个转移风险施加一个“随机干预”，将其设定为治疗组或对照组下的风险水平。这个干预是“随机”的，因为它通过从特定分布中随机抽取计数过程来实现，从而边缘化掉任何未观测的治疗诱导混杂。
    • 估计模型采用半参数方法，例如用 Cox 比例风险模型来建模转移风险 dΛ_kg(t|W, X(t))，用逻辑回归建模倾向得分 P(A=1|W)。

  • 可观测数据：

    • 研究者观测到 n 个独立同分布的个体 O_i = (A_i, W_i, X_i(t*))，其中 t* 是研究结束时间。
    • 轨迹 X_i(t*) 可以等价地表示为 (T_k, Δ_k : k ∈ G)，其中 T_k 是首次访问状态 k 的时间（如果被访问），Δ_k 是指示是否访问的示性变量。
    • 关键区分：研究者可以观测到状态转移的时间和转移到的状态，但无法观测到驱动这些转移的潜在机制（如未观测的混杂因素 L(t)）。因果推断的目标就是仅从这些可观测数据中，识别出在特定随机干预 a 下的反事实 CIF F^a_j(t)。

第二步：讲最小内核——以“疾病-死亡（Illness-Death）模型”为例

本文的一般设定可以退化到经典的疾病-死亡（I-D）模型，这是理解其核心思想的最简特例。

  • 特例设定：

    • 状态：O（初始健康），I（疾病），D（死亡）。
    • 转移：(O, I)，(O, D)，(I, D)。
    • 干预向量：a = (a_OI, a_OD, a_ID)。
    • 目标：估计治疗对死亡 D 的路径效应。

  • 核心思路：

    1. 定义干预：我们设想一个反事实世界，其中我们可以独立地“设定”每个转移的风险。例如，我们可以让 (O, I) 转移的风险与治疗组相同（a_OI = 1），但同时让 (O, D) 和 (I, D) 转移的风险与对照组相同（a_OD = 0, a_ID = 0）。这个干预向量记为 a = (1, 0, 0)。
    2. 定义效应：
      • 总效应：τ_D(t) = F^1_D(t) - F^0_D(t)，其中 1 = (1,1,1)，0 = (0,0,0)。
      • 直接效应（通过 O→D）：比较 a = (0, 1, 0) 和 a = (0, 0, 0) 下的 CIF 差异。这衡量了治疗对“不经过疾病直接死亡”这条路径的影响。
      • 间接效应（通过 O→I→D）：比较 a = (1, 0, 1) 和 a = (0, 0, 0) 下的 CIF 差异。这衡量了治疗通过影响疾病发生，进而影响死亡这条路径的总效应。
      • 路径分解：总效应可以分解为 τ_D(t) = [F^(0,1,1)_D(t) - F^0_D(t)] + [F^1_D(t) - F^(0,1,1)_D(t)]。第一项是“直接死亡效应”，第二项是“通过疾病的间接效应”。进一步地，直接死亡效应还可以分解为“初始状态直接死亡”和“患病后死亡”两个子路径。

  • 为什么这个特例能体现核心数学困难？

    • 识别：在 I-D 模型中，F^a_D(t) 的识别公式（Theorem 1）退化为一个三重积分，涉及三个转移风险。核心困难在于，即使我们正确地估计了每个转移风险，简单的“plug-in”估计量也是低效的，因为它在估计过程中没有利用个体层面的信息来纠正偏差。
    • EIF 的作用：本文的核心贡献是推导了 F^a_D(t) 的 EIF。在 I-D 模型中，这个 EIF 会包含一个“debiasing term”，该 term 通过加权后的鞅过程，将每个观测个体的实际转移时间与模型预测的风险进行比较，从而修正 plug-in 估计量的偏差。这个修正项正是实现“多重稳健性”和“半参数有效性”的关键。
    • 结论：本文的一般理论，本质上就是将 I-D 模型中的 EIF 推导和估计方法，推广到具有任意多个状态和复杂路径的通用多状态图上。其核心数学思想是：通过 EIF 对路径积分进行一阶泰勒展开，得到一个可以分解为各转移风险 EIF 线性组合的表达式，从而将复杂的多状态估计问题，转化为一系列相对简单的、针对单个转移的估计问题。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在存在多个相互作用的中间事件（如 EMACE 和 MVE）的多状态生存数据中，如何定义、识别和估计治疗沿着每条特定转移路径对终末事件（如死亡）的因果效应。
  2. 核心工具 / 方法：将“随机干预效应”框架系统性地推广到多状态数据，通过设想对每个转移风险进行顺序随机干预来定义路径效应；并基于半参数理论，推导了反事实累积发生率（CIF）的有效影响函数（EIF），以此构建了一个多重稳健且半参数有效的一步估计量（one-step estimator）。
  3. 主要结论：在标准因果假设（可忽略性、随机删失、一致性、正性）和扩展马尔可夫性下，反事实 CIF 是可识别的。所提出的 EIF 估计量具有多重稳健性（只要每个路径上的转移风险模型或倾向得分/删失模型之一正确指定，即一致）和半参数有效性（渐近方差达到效率界）。在 LEADER 试验数据中，该方法发现利拉鲁肽对死亡的降低效应主要通过“初始状态→EMACE→死亡”和“初始状态→EMACE→MVE→死亡”这两条路径介导。

关键设定与假设

  • 核心记号：已在第二节交代。
  • 关键假设：
    1. 可忽略性（Ignorability, Assumption 1）：A ⊥⊥ X^a(t*) | W。即治疗分配在给定基线协变量 W 下与潜在结果独立。这排除了基线混杂，但不排除治疗诱导的混杂。
    2. 随机删失（Random Censoring, Assumption 2）：删失时间独立于潜在结果，给定历史和当前治疗分配。
    3. 正性（Positivity, Assumption 3）：治疗概率和未删失概率在给定条件下都为正。
    4. 一致性（Consistency, Assumption 4）：观测到的结果等于在观测到的治疗分配下的潜在结果。
    5. 扩展马尔可夫性（Extended Markovness, Assumption 5）：转移风险只依赖于当前状态和无序的状态历史（即哪些事件发生过），而不依赖于事件发生的精确时间顺序。这是一个关键的工作假设，它简化了模型，使得估计可行。作者指出该假设是可检验的，并可以通过建模逗留时间（sojourn times）来放松。
  • 相比已有文献的强化/放宽：
    • 相比自然效应：放宽了“序贯可忽略性”（sequential ignorability）这一交叉世界假设。随机干预效应不需要这个假设。
    • 相比可分离效应：放宽了“治疗成分可分离”这一在实际中难以满足的假设。随机干预效应直接作用于转移，而不是寻找有生物学意义的治疗成分。
    • 相比标准多状态模型：强化了因果推断的假设（可忽略性、一致性），但放宽了对模型形式的要求（通过 EIF 实现多重稳健性）。

主要结果

  • Theorem 1 (Identifiability)：在假设 1-4 下，反事实 CIF F^a_j(t) 可以通过观测数据的转移风险和基线协变量分布来识别。识别公式是一个路径积分，将每个转移的风险密度和生存概率相乘并积分。
  • Lemma 1 (Efficient Influence Function)：在假设 1-5 下，推导了 F^a_j(t) 的 EIF。这个 EIF 由三部分组成：F^a_j(t|W) - F^a_j(t)（协变量分布的影响）和一个复杂的 debiasing term φ^a_j(t; O)。这个 debiasing term 是关键，它通过加权后的鞅过程 η 来修正模型误设带来的偏差。
  • Theorem 2 (Multiple Robustness)：EIF 估计量 ˜F^a_j(t) 是多重稳健的。对于每条路径 q，只要满足以下条件之一，估计量就是一致的：
    1. 路径 q 上所有转移的风险模型都正确指定。
    2. 倾向得分和删失模型正确指定，且路径 q 上除一个转移外的所有转移风险模型都正确指定。
    3. 直觉：这比标准的双重稳健（doubly robust）更强。它意味着即使多个模型都错了，只要错误模式满足特定条件，估计量仍然一致。
  • Theorem 3 (Semiparametric Efficiency)：在正则性条件下（模型是 Donsker 类，收敛速度足够快），EIF 估计量 ˜F^a_j(t) 是渐近正态的，且其渐近方差达到了半参数效率界。这意味着在所有正则渐近线性估计量中，它的渐近方差最小。
  • Corollary 1 & 2 (Inference)：基于 EIF 的线性性，可以直接构造治疗效应 τ_j(t; a, a*) 的置信区间和假设检验（基于限制平均生存时间损失 RMSTL）。

证明路线与技术技巧

  • 整体路线：

    1. 识别：首先在假设 1-4 下，证明反事实转移风险等于观测到的条件风险，从而将反事实 CIF 表达为观测转移风险的函数（Theorem 1）。
    2. EIF 推导：在扩展马尔可夫性（Assumption 5）下，将观测数据的似然分解为正交的切线空间（协变量空间和每个转移的鞅空间）。然后，通过“链式法则”对识别公式进行路径wise 的变分，将 F^a_j(t) 的 EIF 表达为各转移风险 EIF 的线性组合（Lemma 1）。这个推导过程是技术核心，它利用了鞅的正交性和多状态模型中“同一时间只有一个转移发生”的特性。
    3. 估计量构建：用半参数模型（如 Cox 模型）拟合转移风险和倾向得分，然后将其代入 EIF 公式，得到“plug-in”估计量 ˆF^a_j(t) 和“debiasing”项 ˆφ^a_j(t; O)。最终的一步估计量为 ˜F^a_j(t) = P_n[ˆF^a_j(t|W) + ˆφ^a_j(t; O)]。
    4. 渐近理论：将 √n(˜F^a_j(t) - F^a_j(t)) 分解为三部分：经验过程项、Donsker 条件导致的剩余项、以及偏差项。通过证明偏差项是 o_p(n^{-1/2})（利用 Cauchy-Schwarz 不等式和 Lipschitz 性质，将偏差项 bound 为模型估计误差的乘积），最终得到渐近正态性和有效性（Theorem 3）。多重稳健性（Theorem 2）的证明则通过分析不同模型误设组合下，偏差项是否为零来论证。

  • 关键跳跃点：

    • EIF 的显式表达式：推导出 η 函数（公式 8）是第一个关键跳跃。这个函数将复杂的路径积分与单个观测的鞅过程联系起来，是构建可行估计量的基础。
    • 偏差项的控制：证明 √n P{ψ(ˆP) - ψ(P)} = o_p(1) 是第二个关键跳跃。这需要巧妙地利用 EIF 的结构，将偏差项分解为一系列乘积项，并证明在正则性条件下，这些乘积项以 o_p(n^{-1/2}) 的速度收敛。

  • 技术技巧点名：

    • Efficient Influence Function (EIF)：核心工具，用于构建半参数有效和多重稳健的估计量。
    • Martingale Theory：用于刻画计数过程的随机波动，是 EIF 推导和偏差分析的基础。
    • Kolmogorov Forward Equation：用于将转移风险积分得到 CIF。
    • Chain Rule (Pathwise Differentiability)：用于对复杂的路径积分 estimand 求导，以得到其 EIF。
    • Donsker Class & Empirical Process Theory：用于证明一步估计量的渐近性质，确保模型估计的误差不会主导渐近分布。
    • Cauchy-Schwarz Inequality & Lipschitz Property：用于 bound 偏差项，证明其可忽略性。

真实例子与应用

  • 数据：LEADER 试验数据，包含 9340 名 2 型糖尿病患者，随机接受利拉鲁肽或安慰剂。主要终点是死亡，中间事件是 EMACE（扩展主要不良心血管事件）和 MVE（微血管事件）。
  • 方法应用：
    1. 建模：为每个治疗组拟合了四个 Cox 模型，分别对应非致命性 EMACE、MVE、直接心血管死亡和其他原因死亡。模型以基线协变量和事件发生状态作为时变协变量。
    2. 效应估计：
      • 事件特异性效应：通过干预进入某个事件的所有转移，估计治疗对该事件的直接效应。发现利拉鲁肽对 EMACE 和 MVE 有显著直接效应，对非心血管死亡无显著直接效应。
      • 转移特异性效应：通过干预单个转移，估计治疗对该转移的效应。发现利拉鲁肽对 O→E 转移有显著效应。
      • 路径特异性效应：通过干预路径上的所有转移，估计治疗沿该路径的效应。发现 O→E→D 和 O→E→M→D 两条路径的效应显著，表明利拉鲁肽主要通过降低 EMACE 风险来降低死亡率。
    3. 敏感性分析：通过引入共享脆弱性（frailty）模型来检验未观测混杂的影响。结果与主分析一致，且脆弱性方差很小，表明未观测混杂的影响很弱。
  • 结果：该方法提供了比传统 Kaplan-Meier 和 Cox 回归更细致的因果机制见解，揭示了利拉鲁肽降低死亡率的主要路径。
  • 例子想说明什么：验证了所提出方法在真实复杂数据中的可行性和实用性，并展示了其相较于传统生存分析方法的优势——能够回答“治疗如何起作用”这一更深层次的问题。

🔎 结论是否比证明窄

  • 是。Theorem 3 的证明依赖于 Assumption 5（扩展马尔可夫性）和一系列正则性条件（Supplementary Material A），这些条件要求模型是 Donsker 类且收敛速度足够快。然而，在论文的讨论和结论部分，作者有时会以更泛化的语气谈论该方法的“高效性”和“稳健性”。例如，在摘要中声称“construct multiply robust and semiparametrically efficient estimators”，这个结论严格来说是在 Assumption 5 下成立的。如果 Assumption 5 不成立，EIF 的形式会改变（见 Supplementary E.5），且需要估计点风险（pointwise hazard），这会大大降低效率。因此，“半参数有效”这个结论的适用范围被 Assumption 5 所限制。作者在正文中承认了这一点，但读者需要留意这个 gap。

四、开放问题

  1. 放松扩展马尔可夫性：本文的 EIF 推导和高效估计依赖于 Assumption 5（扩展马尔可夫性）。作者在 Supplementary E.5 中给出了没有该假设下的 EIF，但指出其需要估计点风险，效率更低。一个开放问题是：能否在放松或完全不依赖扩展马尔可夫性的情况下，构建一个仍然半参数有效且计算可行的估计量？（扎根于 Lemma 1 和 Supplementary E.5 的对比）。

  2. 处理时变混杂：作者在讨论中提到，当存在时变协变量时，可以考虑“条件于时变协变量”的随机干预。但这需要建模时变协变量的强度。一个开放问题是：如何将本文的框架与处理时变混杂的方法（如 g-computation、IPW、DML）结合，以定义和估计在时变混杂下的路径效应？（扎根于 Section 5 第一段）。

  3. 非参数工作模型：本文使用了半参数 Cox 模型。作者在讨论中提到，可以使用非参数工作模型（如核平滑）来估计风险，从而避免 Assumption 5。一个开放问题是：当使用非参数模型时，EIF 估计量的收敛速度会如何变化？能否达到 minimax 最优？（扎根于 Section 5 最后一段）。

  4. 与 Proximal Causal Inference 的联系：本文的随机干预框架通过边缘化未观测混杂来保持定义的有效性。这与 Proximal Causal Inference 中利用“阴性对照”变量来识别因果效应的思路有异曲同工之处。一个值得探索的问题是：能否将本文的路径效应框架与 Proximal Causal Inference 结合，在存在未观测混杂的情况下，利用辅助变量（如阴性对照暴露/结局）来识别更细粒度的路径效应？（这是一个基于研究者兴趣和领域张力的开放问题，并非直接来自本文）。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论