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

本文研究的子方向是在存在多个中间事件（如疾病进展、非致命性血管事件）的生存数据中，估计处理效应沿着不同因果路径（通过特定中间事件或直接）传导的路径特异性效应。其核心统计挑战是：中间事件既是处理的结果，又是后续事件（如死亡）的时变混杂因素（treatment-induced confounding），这使得经典的中介分析假设（如序贯可忽略性、可忽略成分条件）失效。当前成熟度：方法学上已有针对单一中间事件（竞争/半竞争风险）的框架，但针对多个中间事件及其复杂交互路径的、同时具备统计效率和稳健性的估计方法，仍是一个活跃且未完全解决的问题。

发展脉络（history）

  1. 奠基工作：多状态模型与竞争风险分析

    • Prentice et al. (1978)、Fine & Gray (1999) 等建立了竞争风险数据的分析框架，定义了原因别风险与累积发生率函数。Andersen & Keiding (2002)、Putter et al. (2007) 系统性地将多状态模型引入事件史分析，为描述从基线到终点的多条路径提供了数学语言。这些工作奠定了“用转移风险刻画事件过程”的基础，但未涉及因果解释。

  2. 主要进展：针对单一中间事件的中介效应框架

    • 自然效应框架：Huang (2021)、Deng et al. (2024) 等将自然效应（natural effects）扩展到半竞争风险数据，试图分离处理的直接效应（不通过中间事件）和间接效应（通过中间事件）。关键口子：这些框架依赖于序贯可忽略性（sequential ignorability），即假设给定基线协变量和中间事件前的历史，中间事件的发生是条件随机化的。当存在多个中间事件且它们互为因果时，该假设几乎必然被违反（Shpitser & Tchetgen Tchetgen 2016）。
    • 可分离效应框架：Stensrud et al. (2021, 2022)、Robins et al. (2022) 提出将处理分解为多个成分，每个成分只直接影响一个事件。关键口子：该框架不要求序贯可忽略性，但要求可忽略成分条件（dismissible components condition），即处理成分的效应是“可分离的”。作者指出，在真实试验中，识别出具有孤立效应的生物学上有意义的处理成分是困难的，且该框架对路径特异性效应（如通过O→E→D的效应）不提供直接信息。

  3. 当前 Frontier：随机干预效应框架

    • VanderWeele & Tchetgen Tchetgen (2017)、Vansteelandt & Daniel (2017) 等提出了随机干预效应（randomized interventional effects）框架，用于纵向数据的中介分析。其核心思想是：不试图“固定”中间变量，而是设想一个随机实验，其中中间变量的分布被干预到某个参考水平（如处理组或对照组的水平）。关键优势：该框架不依赖跨世界假设（如序贯可忽略性），即使存在未测量的时变混杂，其定义在反事实意义上也是有效的（通过边际化未测量混杂）。
    • Deng et al. (2026) 将随机干预效应扩展到半竞争风险数据。本文的位置：本文是这一脉络的自然延伸，将随机干预效应从单一中间事件（半竞争风险）推广到任意多个中间事件及其复杂交互路径的多状态数据，并提供了完整的半参数效率理论。

子线索聚类

  1. 识别策略：主要分为三类——(a) 依赖序贯可忽略性的自然效应（Huang 2021, Deng et al. 2024）；(b) 依赖可忽略成分条件的可分离效应（Stensrud et al. 2021, 2022, Robins et al. 2022）；(c) 不依赖上述假设的随机干预效应（VanderWeele & Tchetgen Tchetgen 2017, Vansteelandt & Daniel 2017, 本文）。本文属于第三类。
  2. 估计方法：主要分为两类——(a) plug-in 估计：基于识别公式，用估计的转移风险代入计算累积发生率。优点是简单，但效率低且对模型错误设定敏感。(b) 基于有效影响函数（EIF）的估计：如 one-step 估计或目标最小损失估计（TMLE）。本文属于此类，并推导了多状态数据下的 EIF，实现了多重稳健性和半参数有效性。
  3. 应用场景：主要分为两类——(a) 单一中间事件（竞争/半竞争风险），如癌症复发与死亡；(b) 多个中间事件，如本文的 LEADER 试验（心血管事件与微血管事件）。本文属于后者。

这个方向在追问的核心问题

  1. 识别问题：在存在治疗诱导混杂时，如何定义并识别出有意义的路径特异性处理效应？自然效应和可分离效应在此场景下是否可识别或可解释？
  2. 估计问题：如何构建一个既统计高效（达到半参数效率界）又对模型错误设定稳健（多重稳健）的估计量？plug-in 估计的偏差如何校正？
  3. 推断问题：如何对路径特异性效应进行假设检验（如检验某条路径的效应是否为零）？
  4. 解释问题：随机干预效应的解释是否足够清晰？当存在未测量混杂时，其“边际化”操作是否掩盖了重要的异质性？

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么：作者将现有方法的缺口定位为“无法处理多个中间事件及其交互作用下的治疗诱导混杂”。具体来说，他们声称自然效应因序贯可忽略性失效而不可识别，可分离效应因难以找到生物学上可分离的处理成分而不可行。因此，随机干预效应是“显然的下一步”，因为它不依赖这些强假设，且能自然地扩展到多状态数据。
  • 哪些竞争路线被他淡化或回避了：
    • 可分离效应的可解释性：作者承认可分离效应在理论上定义良好，但强调其“难以识别生物学上有意义的处理成分”。这实际上回避了一个关键问题：随机干预效应的解释是否真的比可分离效应更直观？ 随机干预效应设想了一个“随机化中间事件”的实验，这在现实中可能比“分解处理成分”更难想象。作者在讨论中也承认了这一点（“interventional effects are not sharp”）。
    • 动态处理策略：作者在补充材料 D.3 中讨论了在序贯可忽略性成立时，其框架可用于推断最优动态处理策略。但这并非本文的核心贡献，且该讨论依赖于一个作者试图回避的假设。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？
    • Miles (2023) 的论文“On the causal interpretation of randomised interventional indirect effects”被引用在讨论部分，但未在引言中提及。该文系统性地讨论了随机干预效应的“不尖锐性”（not sharp），即零效应不一定意味着无因果效应，因为时变混杂可能抵消真实效应。这是一个重要的局限性，作者在引言中未充分讨论。
    • 关于“recanting twins”的文献：作者在引言中提到了 Vo et al. (2026) 关于“recanting twins”的工作，但未深入展开。该工作为随机干预效应在存在未测量混杂时的解释提供了更深刻的见解，值得在引言中更突出地介绍。

张力

未见明显对立引用。不同框架（自然效应 vs. 可分离效应 vs. 随机干预效应）在各自的假设下都是有效的，它们之间的张力主要体现在假设的强弱与解释的直观性之间的权衡，而非直接的矛盾。

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：处理分配（0 = 对照，1 = 处理）。
    • W：基线协变量向量。
    • 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，即从状态 k 到状态 g 的单步转移 (k,g)。
    • a = (a_kg : (k,g) ∈ E)：干预水平向量。a_kg = 1 表示对转移 (k,g) 施加处理水平的风险；a_kg = 0 表示施加对照水平的风险。
    • X^a(t)：在干预水平 a 下，个体在时间 t 所处的潜在状态。
    • dΛ^a_kg(t | W, X^a(t-))：在干预水平 a 下，给定历史和基线协变量，从状态 k 转移到 g 的潜在转移风险。
    • F^a_j(t) = P(T^a_j ≤ t)：反事实累积发生率函数，即在干预水平 a 下，事件 j 在时间 t 之前发生的概率。这是本文的核心 estimand。
    • q ∈ Q_j：从初始状态到事件 j 的一条特定路径，如 q = (O, E, D)。
    • F^a_j(t; q)：路径特异性累积发生率，即沿着路径 q 到达事件 j 的概率。
  • 模型：
    • 数据生成机制由多状态模型描述。个体从初始状态 O 出发，根据一系列转移风险 dΛ_kg(t | history) 在状态间转移，直到进入终末状态（如死亡）或被删失。转移风险可以依赖于基线协变量 W 和当前状态历史（如是否发生过其他中间事件）。
    • 本文假设转移风险满足扩展马尔可夫性（Assumption 5）：给定基线协变量和当前状态（以及过去状态的集合，但不包括精确的转移时间），未来的转移风险是条件独立的。这保证了有足够的数据来灵活估计风险。
  • 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。
    • X_i(t*) 是观测到的状态轨迹，等价于观测到每个事件是否发生及其发生时间 (T_k, Δ_k)，其中 Δ_k 是指示事件 k 是否在 t* 前发生的示性变量。
    • 关键区分：我们观测到的是在实际处理分配 A 下的轨迹 X(t*)。我们想要估计的是在假设的干预水平 a 下的反事实轨迹 X^a(t*) 的分布。X^a(t*) 是潜在的，不可观测的。识别依赖于将潜在转移风险与可观测的条件转移风险联系起来。

第二步：讲最小内核

本文的核心思路可以用一个三状态疾病-死亡模型（illness-death model）来理解，这是多状态数据的最简特例。

  • 状态：O（健康），I（生病），D（死亡）。
  • 转移：O→I（发病），O→D（直接死亡），I→D（生病后死亡）。
  • 干预水平：a = (a_OI, a_OD, a_ID)。

核心问题：处理 A 对死亡 D 的总效应，可以分解为“直接效应”（不通过生病）和“间接效应”（通过生病）。在存在治疗诱导混杂时（即处理会影响发病风险，而发病风险又会影响后续死亡风险），如何定义和估计这些效应？

本文的最小内核：通过对转移风险施加假设性干预来定义路径效应。

  1. 定义直接效应：设想一个世界，其中我们只干预从健康到死亡的转移风险 dΛ_OD，将其设定为处理水平（a_OD = 1），而将其他两个转移风险 dΛ_OI 和 dΛ_ID 设定为对照水平（a_OI = 0, a_ID = 0）。在这个世界里，个体发病的风险与对照组相同，但一旦发病，其死亡风险也与对照组相同。唯一的区别是，健康个体直接死亡的风险被提升到了处理组的水平。这个世界的反事实死亡累积发生率记为 F^(0,1,0)_D(t)。那么，直接效应就是 F^(0,1,0)_D(t) - F^0_D(t)，其中 F^0_D(t) 是所有转移都在对照水平下的累积发生率。

  2. 定义间接效应：设想另一个世界，其中我们只干预从健康到生病的转移风险 dΛ_OI，将其设定为处理水平（a_OI = 1），而将其他两个转移风险设定为对照水平（a_OD = 0, a_ID = 0）。在这个世界里，个体发病的风险与处理组相同，但一旦发病，其死亡风险与对照组相同，且健康个体直接死亡的风险也与对照组相同。这个世界的反事实死亡累积发生率记为 F^(1,0,0)_D(t)。那么，间接效应就是 F^1_D(t) - F^(0,1,0)_D(t)，其中 F^1_D(t) 是所有转移都在处理水平下的累积发生率。

为什么这个思路有效？ - 回避了序贯可忽略性：我们不需要假设“给定历史，生病是随机的”。我们只是设想了一个随机实验，其中生病的风险被强制设定为处理组或对照组的水平。这个实验在反事实意义上是可实现的，即使存在未测量的混杂因素（如遗传易感性），因为我们的干预是直接作用于风险本身，而不是通过处理。 - 识别：反事实世界中的转移风险 dΛ^a_kg 被定义为等于可观测的潜在转移风险 dΛ^{a_kg}_kg。而根据可忽略性（Assumption 1）和一致性（Assumption 4），dΛ^{a_kg}_kg 可以被观测数据中的条件转移风险 P(t<T_g<t+dt, Δ_g=1 | A=a_kg, W, history) 所识别。因此，整个反事实累积发生率可以通过 Kolmogorov 前向方程从可识别的转移风险中计算出来。

总结：本文的核心数学操作是将“处理效应”分解为对图中每条有向边（转移）的“干预效应”。通过选择性地将某些边的风险设定为“处理水平”，其他边设定为“对照水平”，我们可以构建出对应于不同因果路径的反事实世界，从而定义和识别路径特异性效应。这避免了处理诱导混杂带来的识别难题。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在存在多个中间事件（如心血管事件、微血管事件）的生存数据中，如何定义、识别并高效稳健地估计处理效应沿着不同转移路径（transition-specific）、事件（event-specific）和因果路径（path-specific）的传导。
  2. 核心工具 / 方法：将随机干预效应框架扩展到多状态数据，通过对每个转移风险施加假设性干预来定义路径效应；推导了反事实累积发生率的有效影响函数（EIF），并基于此构建了多重稳健且半参数有效的 one-step 估计量。
  3. 主要结论：所提出的估计量在其中一个转移风险模型或（倾向性得分+删失模型）正确设定时一致（多重稳健），且当所有模型正确设定时达到半参数效率界。在 LEADER 试验中，该方法揭示了利拉鲁肽对全因死亡率的降低主要由其对扩展主要不良心血管事件（EMACE）的影响所介导。

关键设定与假设

  • Assumption 1 (Ignorability)：A ⊥ X^a(t*) | W。即处理分配在给定基线协变量下是条件随机化的。这排除了基线混杂，但不排除治疗诱导混杂。在随机试验中，该假设自动成立。
  • Assumption 2 (Random censoring)：删失时间独立于潜在结果，给定处理、基线协变量和当前状态历史。这是生存分析的标准假设。
  • Assumption 3 (Positivity)：处理概率和未删失概率在给定条件下都为正。确保有足够数据估计条件风险。
  • Assumption 4 (Consistency)：观测到的轨迹等于在观测到的处理分配下的潜在轨迹。标准假设。
  • Assumption 5 (Extended Markovness)：转移风险只依赖于当前状态和过去状态的集合（无序），而不依赖于精确的转移时间。这是一个工作假设，用于简化估计，使得每个转移风险可以被视为一个“标准”的 Cox 模型（以其他事件的发生作为时变协变量）。作者指出该假设是可检验的（Grambsch & Therneau 1994），且可以通过建模逗留时间来放松。
  • 与已有文献的对比：
    • 相比自然效应：本文不要求序贯可忽略性（cross-world independence），这是一个显著放松。
    • 相比可分离效应：本文不要求可忽略成分条件，且能直接估计路径特异性效应，而可分离效应主要关注事件特异性效应。
    • 相比标准多状态模型：本文引入了因果解释，并提供了半参数有效的估计量，而不仅仅是 plug-in 估计。

主要结果

  • Theorem 1 (Identifiability)：在假设 1-4 下，反事实累积发生率 F^a_j(t) 可以被识别为观测数据中转移风险的函数（公式 5-6）。这是整个估计框架的基础。
  • Lemma 1 (Efficient Influence Function)：在假设 1-5 下，推导了 F^a_j(t) 的有效影响函数（公式 7）。EIF 由两部分组成：F^a_j(t|W) - F^a_j(t)（来自协变量分布的估计）和一个复杂的 debiasing 项 φ^a_j(t; O)，后者涉及每个转移的鞅过程。技术难点：EIF 的推导需要处理多状态模型中复杂的路径积分和转移风险之间的依赖关系。作者通过链式法则和鞅表示解决了这个问题。关键技巧：Remark 2 指出，EIF 分母中的点态风险 dΛ 与分子中的转移密度 dPr 中的 dΛ 项相消，因此只需要估计累积风险（如 Breslow 估计量），而不需要估计点态风险，这大大简化了估计。
  • Theorem 2 (Multiple Robustness)：基于 EIF 的 one-step 估计量 \tilde{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设定。
    2. 倾向性得分和删失风险模型正确设定，且路径 q 上除一个转移外的所有其他转移风险模型都正确设定。
    3. 直觉：这比标准的双重稳健性（倾向性得分 + 一个结果模型）更强，因为路径上涉及多个转移模型。多重稳健性意味着即使某些转移模型错误，只要其他部分正确，估计量仍然有效。
  • Theorem 3 (Semiparametric Efficiency)：在正则条件下，\sqrt{n}\{\tilde{F}^a_j(t) - F^a_j(t)\} 渐近正态，且方差达到半参数效率界。这意味着该估计量是所有正则渐近线性估计量中渐近方差最小的。
  • Corollary 1 & 2 (Inference)：处理效应 τ_j(t; a, a*) 的估计量也渐近正态，且可以基于 EIF 的差构建假设检验（如基于限制性平均生存时间损失的检验）。

证明路线与技术技巧

  • 整体路线：
    1. 识别：通过可忽略性和一致性，将潜在转移风险映射到可观测的条件转移风险。然后通过 Kolmogorov 前向方程，将反事实累积发生率表达为这些可识别转移风险的路径积分（Theorem 1）。
    2. EIF 推导：在由扩展马尔可夫性限制的半参数模型空间中，计算目标泛函 F^a_j(t) 的路径wise导数。通过链式法则，将导数分解为对每个转移风险的导数之和。利用鞅表示，将每个转移风险的 EIF 表达为加权鞅积分的形式（Lemma 1 的证明，见附录 E.2）。
    3. 估计：用 Cox 模型等半参数模型估计转移风险、删失风险和倾向性得分。将这些估计量代入 EIF 公式，得到 debiasing 项 \hat{φ}^a_j(t; O)。然后构建 one-step 估计量 \tilde{F}^a_j(t) = P_n[\hat{F}^a_j(t|W) + \hat{φ}^a_j(t; O)]。
    4. 渐近理论：证明 one-step 估计量的渐近性质。关键在于证明剩余项 \sqrt{n} P[\psi(\hat{P}) - \psi(P)] = o_p(1)。作者通过将剩余项分解为一系列关于每个转移风险的“交叉项”，并利用 Cauchy-Schwarz 不等式和 Lipschitz 性质，证明这些交叉项在正则条件下是 o_p(n^{-1/2}) 的（Theorem 3 的证明，见附录 E.4）。
  • 关键跳跃点：
    • EIF 的显式形式：将复杂的路径积分 EIF 简化为一个可计算的加权鞅积分形式，是理论上的核心贡献。这需要巧妙地处理路径上的多个积分和求和。
    • 多重稳健性的证明：证明多重稳健性需要仔细分析当不同模型错误设定时，debiasing 项如何补偿 plug-in 估计的偏差。附录 E.3 的证明展示了这一补偿机制。
  • 技术技巧点名：
    • 鞅表示：用于表达转移风险的 EIF，利用了计数过程的鞅分解。
    • 链式法则：用于计算复合泛函（路径积分）的 EIF。
    • Donsker 类：用于证明 one-step 估计量的渐近正态性，要求估计的模型不能太复杂。
    • Cauchy-Schwarz 不等式：用于控制剩余项，证明其可忽略性。

真实例子与应用

  • 数据：LEADER 试验，一项关于利拉鲁肽对 2 型糖尿病患者心血管结局影响的大型随机对照试验（n=9340）。
  • 场景：将 EMACE（E）和 MVE（M）作为中间事件，死亡（D）作为终末事件。定义了 5 条从基线到死亡的潜在路径（图 1）。
  • 方法应用：
    1. 估计转移风险：为每个转移（如 O→E, O→M, E→D 等）分别拟合 Cox 模型，以基线协变量和其他事件的发生作为时变协变量。
    2. 估计事件特异性效应：通过干预所有进入某个事件（如 E）的转移，来估计处理对该事件的直接效应。结果发现利拉鲁肽显著降低了 EMACE 和 MVE 的风险，但对非心血管死亡无显著直接效应（图 4）。
    3. 估计路径特异性效应：通过干预特定路径上的所有转移，来估计处理沿该路径的效应。结果发现，利拉鲁肽主要通过路径 O→E→D 和 O→E→M→D 降低死亡风险，即其效果主要由降低 EMACE 风险所介导（图 5，图 S3）。
  • 结果说明：该例子验证了方法的实用性，能够提供比传统 Kaplan-Meier 或 Cox 回归更细致的因果机制洞察。它展示了如何将总效应分解为不同路径的贡献，从而识别出关键的因果通路。

🔎 结论是否比证明窄

  • 窄结论：Theorem 2 的多重稳健性依赖于“对于每条路径 q”的条件。这意味着如果一条路径上的某个转移模型错误，但另一条路径上的所有模型都正确，那么对总效应 F^a_j(t) 的估计可能仍然有偏，因为总效应是所有路径效应的和。作者在定理陈述中明确指出了这一点。
  • 泛化 claim：作者在讨论部分提到“Our framework can potentially inform the development of optimal dynamic treatment policies.” 这是一个泛化的 claim。然而，正如他们在补充材料 D.3 中承认的，这需要序贯可忽略性，而这正是本文试图回避的假设。因此，该 claim 的适用范围比本文的核心贡献要窄。
  • Conjecture：作者在讨论部分提到“interventional effects are not sharp (Miles 2023)”，并承认零效应不一定意味着无因果效应。这是一个诚实的局限性陈述，而非一个被证明的结论。

四、开放问题

  1. 处理时变混杂的替代干预：本文的随机干预是“无条件”的（边际化所有时变混杂）。作者在讨论中提到，可以考虑“条件于时变协变量”的干预。扎根于：Section 5 第一段：“alternative interventions may be considered when time-varying confounders are present. An intuitive modification is intervening in event-counting processes conditional on time-varying covariates.” 这需要建模时变协变量的强度，是一个开放且困难的问题。
  2. 可分离效应的实际分解：作者认为可分离效应难以找到生物学上可分离的处理成分。扎根于：Section 1 最后一段：“it is hard to identify biologically meaningful treatment components with isolated effects in a real trial.” 这是一个值得研究者去验证的判断。是否存在某些场景（如特定药物作用机制已知）下，可分离效应比随机干预效应更具解释力？
  3. 非参数工作模型：本文依赖于扩展马尔可夫性（Assumption 5）来简化估计。扎根于：Section 5 最后一段：“Nonparametric working models, such as kernel smoothing, can estimate the hazards conditional on prior event times without Assumption 5.” 如何在不假设马尔可夫性的情况下，构建同样高效且稳健的估计量？这涉及到高维非参数回归和 curse of dimensionality 的挑战。
  4. EIF 的递归计算：作者提到“the efficient estimator of CIF may not be solved recursively”。扎根于：Section 5 最后一句。对于更复杂的多状态结构，EIF 的计算复杂度可能很高。是否存在更高效的算法（如利用动态规划或张量网络结构，这与研究者的高阶 U-统计量工作有潜在联系）来加速 EIF 的计算？

Maintained by 陈星宇 · Homepage · Source on GitHub

评论