跳转至

Nonparametric Estimation of Event-Free Survival for Data with Left-Truncated Death and Intermittently Assessed Nonfatal Events

作者: Han Lu (Division of Biostatistics and Health Data Science, School of Public Health, University of Minnesota), Xianghua Luo (Division of Biostatistics and Health Data Science, School of Public Health, University of Minnesota), Yifei Sun (Department of Biostatistics, Mailman School of Public Health, Columbia University), Wendy Wang (Department of Epidemiology, Peter O'Donnell Jr School of Public Health, University of Texas, Department of Internal Medicine, University of Texas Southwestern Medical Center), Thomas Mosley (The MIND Center, University of Mississippi Medical Center), Priya Palta (Department of Neurology, School of Medicine, University of North Carolina), Elsayed Z. Soliman (Epidemiological Cardiology Research Center, Department of Cardiovascular Medicine, Wake Forest University School of Medicine), Lin Yee Chen (Department of Medicine, Medical School, University of Minnesota), Anne Eaton (Division of Biostatistics and Health Data Science, School of Public Health, University of Minnesota)
主题: 非参数 / 半参数
相关性: 6/10
链接: https://arxiv.org/abs/2609.12082

一、领域脉络与小综述

这个方向是什么：本文属于生存分析中复合终点（composite endpoint）的非参数估计子方向。根本问题在于：当研究终点由"非致命事件"与"死亡"两个分量构成时，两个分量往往受到不同的观测机制约束——死亡时间通常精确已知（右删失），而非致命事件只能在定期随访中被发现（区间删失）。这种"分量特异性删失"（component-wise censoring）使得复合终点"事件自由生存（EFS）"的估计不能直接套用标准 Kaplan-Meier 方法。本文进一步叠加了左截断（left truncation）的复杂性：在 prevalent cohort（患病队列）中，个体只有在 index event 发生后仍存活到入组日才能被观测到，导致早期事件被系统性遗漏。该方向目前的成熟度：左截断+右删失的乘积限估计已有四十年的理论基础（Tsai et al., 1987），分量特异性删失的核估计方法在无左截断情形下已有工作（Eaton et al., 2022），但两者结合——即"左截断 + 分量特异性删失"同时存在——在本文之前没有非参数解。

发展脉络（按引言引用顺序）：

  1. 奠基：左截断+右删失的乘积限估计。Lynden-Bell (1971) 提出截断数据的分布函数估计；Wang, Jewell, and Tsai (1986) 与 Tsai, Jewell, and Wang (1987) 建立了左截断+右删失下乘积限估计的渐近理论。这是本文估计 \(S_{D_0}(t)\) 的基石。留下的口子：这些方法假设终点事件本身可被精确观测，无法处理"非致命事件只能间歇观测"的情形。

  2. 问题意识：naive 方法在间歇评估下有偏。Panageas et al. (2007)、Zeng et al. (2015)、Eaton and Zabor (2022)、Speiser et al. (2023) 一系列工作表明，将区间删失的非致命事件时间当作右删失处理（例如用首次检出日期代替真实事件时间）会引入系统性偏差，偏差大小取决于随访间隔和事件率。Zeng et al. (2015) 从渐近角度刻画了这一偏差。留下的口子：这些文献主要诊断问题，而非提供无偏的非参数估计。

  3. 核估计方法：处理分量特异性删失。Eaton et al. (2022) 提出关键分解 \(p(t) = r(t) \cdot S_{D_0}(t)\)，其中 \(r(t)\) 是"在存活者中未发生非致命事件"的条件概率，用核平滑估计；\(S_{D_0}(t)\) 用标准乘积限估计。这是本文的直接前驱。留下的口子：该方法假设数据来自 incident cohort（无左截断），且无法利用补充数据源。

  4. 结合 prevalent 与 incident 队列：Wolfson et al. (2019) 证明联合分析两类队列可显著提高生存函数估计精度，Lee et al. (2019) 在比例平均剩余寿命模型下展示了类似收益。Hartman (2025) 进一步研究了最优队列比例分配。留下的口子：这些工作均未处理分量特异性删失。

  5. 本文位置：将 Eaton et al. (2022) 的核分解思想推广到左截断数据，同时允许整合 incident cohort 和 death-only cohort 作为补充数据源。这是上述两条线索（左截断乘积限 + 分量特异性删失核估计）的首次交汇。

子线索聚类：

  • 线索 A：截断/删失下的生存函数估计（Lynden-Bell 1971; Wang et al. 1986; Tsai et al. 1987; Woodroofe 1985; Gijbels & Wang 1993）。核心工具：风险集修正、乘积限估计的 i.i.d. 表示。
  • 线索 B：分量特异性删失的复合终点分析（Panageas et al. 2007; Zeng et al. 2015; Diao et al. 2018; Eaton et al. 2022; Eaton & Zabor 2022; Speiser et al. 2023; Gao et al. 2025）。核心工具：核平滑、区间删失似然、半参数模型。
  • 线索 C：prevalent/incident 队列联合分析（Wolfson et al. 2019; Lee et al. 2019; Hartman 2025）。核心问题：如何加权合并两类队列以最大化效率。

这个方向在追问的核心问题：

  1. 无偏性：在非致命事件只能间歇观测时，如何无偏估计 EFS 曲线？naive 方法（首次检出日期代替事件时间）的偏差有多大、由什么决定？
  2. 效率：如何利用所有可得数据（prevalent、incident、death-only）来最小化估计方差？不同数据源的信息量如何权衡？
  3. 推断：如何构造 EFS 和 EF-RMST 的置信区间和假设检验？bootstrap 是否有效？
  4. 稳健性：估计量对访问过程假设、核函数选择、带宽选择的敏感程度如何？

⚠️ 作者的 framing（这是作者的说法）：作者将缺口定义为"现有方法无法同时处理左截断和分量特异性删失"。具体而言，引言指出 Eaton et al. (2022) 的方法"仅适用于 incident cohort"，而传统的左截断乘积限估计"无法处理非致命事件的区间删失"。因此本文成为"显然的下一步"：将两者结合，并顺带整合补充数据。被淡化或回避的竞争路线包括：(i) Diao et al. (2018) 的半参数比例风险方法——作者未与其比较效率；(ii) Gao et al. (2025) 的区间删失 RMST 方法——作者仅将其列为"另一种处理方式"，未讨论相对优劣；(iii) 参数或半参数模型可能在小样本下更高效，但作者完全未提及这一可能性。什么明显该被引却没出现：没有引用关于区间删失非参数最大似然估计（NPMLE）的经典文献（如 Groeneboom & Wellner 1992），也没有引用 Turnbull (1976) 的区间删失自洽估计——尽管 Turnbull 在参考文献中出现，但仅作为左截断乘积限的推广被一笔带过。此外，关于访问过程与事件时间相关的敏感性分析文献（如症状驱动访问）未被讨论。

张力：未见明显对立引用。但存在一个潜在张力：Eaton et al. (2022) 的核方法假设访问过程独立于事件时间（条件独立访问），而本文在 ARIC 数据分析中承认"症状驱动的访问可能违反这一假设"，却未提供诊断或修正工具。另一个张力是：Wolfson et al. (2019) 强调 prevalent cohort 在长随访中的价值，而本文模拟显示 incident cohort 补充对早期风险集改善最大——两者在不同时间尺度上各自主张，不矛盾但需要读者自行权衡。

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

潜在变量（Population-level, 不可直接观测）：

符号 含义 类型
\(D_0\) index event 到死亡的时间 潜在随机变量
\(Y_0(t)\) 在时间 \(t\) 时未发生非致命事件的指示（\(Y_0(t)=1\) 表示无事件） 潜在随机过程
\(L_0\) index event 到 prevalence day \(v\) 的时间（左截断时间） 潜在随机变量

目标量（Estimands）： - \(p(t) = E[Y_0(t) \cdot I(D_0 \geq t)]\)：EFS 概率，即"到时间 \(t\) 为止既未发生非致命事件也未死亡"的概率。 - \(S_{D_0}(t) = P(D_0 \geq t)\)：总体生存函数。 - \(r(t) = E[Y_0(t) \mid D_0 \geq t]\)：在存活者中未发生非致命事件的条件概率。 - \(\mu(t) = \int_0^t p(u)\,du\)：EF-RMST（受限平均事件自由生存时间）。

可观测数据（对个体 \(i\)）： - \(L_i\)：左截断时间（index event 到入组的时间），仅当 \(D_i > L_i\) 时个体被观测到。 - \(X_i = \min(D_i, C_i)\)：死亡或删失时间，其中 \(C_i = L_i + C_i^{res}\)，\(C_i^{res}\) 是入组后的残余删失时间。 - \(\Delta_i = I(D_i \leq C_i)\)：死亡指示。 - \(\{Y_i(t)\, dN_i(t) : t \in [0, \tau]\}\)：仅在访问时刻 \(dN_i(t)=1\) 时才能观测到非致命事件状态 \(Y_i(t)\)。\(N_i^*(s)\) 是潜在访问计数过程，\(N_i(t) = I(L_i \leq t \leq X_i) N_i^*(t)\) 是实际观测到的访问过程。

关键假设（附录 A1–A5）： - (A1) 给定 \(L\)，删失时间 \(C\) 与 \((D, Y(\cdot), N^*(\cdot))\) 独立；且 \(\inf_{t \in [0,\tau]} P(L \leq t \leq X) > 0\)（风险集不会退化）。 - (A2) 访问过程 \(N^*\) 与 \((D, Y(\cdot))\) 独立（条件独立访问），且其强度 \(\lambda(t)\) 有界、二阶可导、恒正。 - (A3) \(r(t)\) 和 \(\lambda(t)\) 的二阶导数有界。 - (A4) 核函数 \(K_{h,t}(\cdot)\) 是二阶核，满足 \(\int K = 1\)、\(\int xK = 0\)、\(\int x^2 K < \infty\)。 - (A5) 带宽 \(h \asymp n^{-\nu}\)，\(1/4 < \nu < 1/2\)。

数据形态：每个个体贡献一条记录 \((L_i, X_i, \Delta_i, \{t_{ik}, Y_i(t_{ik})\}_{k=1}^{m_i})\)，其中 \(t_{ik}\) 是第 \(i\) 个个体的第 \(k\) 次访问时间。注意 \(Y_i(t)\) 只在访问时刻被观测，且访问时间点因人而异。

第二步：最小内核

最简特例：假设没有左截断（\(L=0\)）、没有右删失（\(C=\infty\)）、非致命事件在每个时间点都能被观测（连续监测，\(dN^*(t)=dt\)）。那么 \(p(t)\) 可以直接用经验分布估计：\(\hat{p}(t) = \frac{1}{n}\sum_{i=1}^n I(Y_i(t)=1, D_i \geq t)\)。这是平凡情形。

加入间歇观测：现在假设非致命事件只能在离散的访问时刻被观测。此时 \(r(t)\) 无法直接观测，因为"在 \(t\) 时刻存活且无事件"这一事件只能通过最近的访问记录推断。Eaton et al. (2022) 的关键洞察是：将 \(r(t)\) 视为一个随时间平滑变化的函数，用核回归来估计它。具体地，对每个在 \(t\) 时刻仍处于风险集的个体 \(i\)（即 \(L_i \leq t \leq X_i\)），取其最近一次访问时刻 \(s_{ik}\) 的观测值 \(Y_i(s_{ik})\)，然后做核加权平均：

\[\hat{r}_h(t) = \frac{\sum_{i=1}^n \int_0^\tau K_{h,t}\left(\frac{t-s}{h}\right) Y_i(s)\, dN_i(s)}{\sum_{i=1}^n \int_0^\tau K_{h,t}\left(\frac{t-s}{h}\right) dN_i(s)}\]

加入左截断：左截断的后果是，在时间 \(t\) 之前发生 index event 但未存活到入组日的个体完全不可见。这导致早期风险集被低估。处理方式：将乘积限估计的风险集修正为 \(a_j = \sum_i I(L_i \leq t_{(j)} \leq X_i)\)（即 Tsai et al. 1987 的修正），而不是 incident cohort 情形下的 \(a_j = \sum_i I(t_{(j)} \leq X_i)\)。

核心数学困难： 1. 风险集修正与核估计的耦合：左截断使得"在 \(t\) 时刻处于风险集"的概率本身需要估计，而核估计的分子分母都涉及风险集指示 \(I(L_i \leq t \leq X_i)\)，这导致影响函数中出现额外的项。 2. 边界偏差：核估计在 \(t\) 接近 0 或 \(\tau\) 时偏差为 \(O(h^2)\) 而非 \(O(h)\)，需要边界核修正（Müller 1991）。 3. 补充数据的整合：当加入 incident cohort 或 death-only cohort 时，不同子样本的似然贡献不同，需要重新推导影响函数。

本文的关键想法：将 \(\hat{p}(t) = \hat{S}_D(t) \cdot \hat{r}_h(t)\) 的分解保持下来，但分别对两个因子做左截断修正：\(\hat{S}_D(t)\) 用 Tsai et al. (1987) 的乘积限估计（风险集含左截断修正），\(\hat{r}_h(t)\) 用核回归（分母的风险集指示改为 \(I(L_i \leq t \leq X_i)\)）。这样，左截断的影响被"隔离"在 \(\hat{S}_D(t)\) 的估计中，而 \(\hat{r}_h(t)\) 的核回归结构保持不变，只是风险集定义变了。定理 1 和定理 2 分别给出了 \(\hat{\mu}(t)\) 和 \(\hat{p}(t)\) 的渐近正态性，影响函数 \(\Psi_i(t)\) 中显式出现了左截断修正项 \(\frac{\mu(t) dM_i^D(u)}{E[I(L \leq u \leq X)]}\)。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在 prevalent cohort 数据中，当死亡时间精确已知（右删失）但非致命事件只能间歇观测（区间删失）时，如何非参数地估计复合终点 EFS 概率 \(p(t)\) 和 EF-RMST \(\mu(t)\)，并利用 incident cohort 和 death-only cohort 作为补充数据源。
  2. 核心方法：将 EFS 分解为条件无事件概率 \(r(t)\) 与生存函数 \(S_{D_0}(t)\) 的乘积，分别用核回归（分子分母均含左截断修正的风险集指示）和左截断右删失乘积限估计（Tsai et al. 1987）来估计，再相乘得到 \(\hat{p}(t)\)，积分得到 \(\hat{\mu}(t)\)。
  3. 主要结论：\(\hat{\mu}(t)\) 和 \(\hat{p}(t)\) 在适当正则条件下是 \(\sqrt{n}\)-相合的渐近正态估计量（定理 1、2）；模拟显示在左截断存在时，所提方法比 naive KM、LT-RC-PL 和 Eaton et al. (2022) 核方法有更小的偏差和 MSE；ARIC 数据分析发现年龄组间 EF-RMST 差异显著。

关键设定与假设

  • 数据：prevalent cohort（左截断 + 分量特异性删失）、incident cohort（无左截断）、death-only cohort（仅死亡信息，无访问数据）。
  • 假设 A1–A5（见第二节）：核心是条件独立访问（A2）和左截断/删失独立于事件时间（A1）。相比 Eaton et al. (2022)，本文放宽了"无左截断"的假设；相比 Tsai et al. (1987)，本文增加了"非致命事件间歇观测"的处理。相比 Diao et al. (2018) 的半参数比例风险方法，本文不假设协变量效应形式，但也不提供回归系数的解释。
  • 带宽选择：固定带宽（模拟中用 1 年）或数据自适应带宽（交叉验证，\(h = \hat{c} n^{-7/24}\)）。作者没有给出 \(\hat{c}\) 的渐近最优性证明，只引用了 Eaton et al. (2022) 的做法。

主要结果

定理 1（\(\hat{\mu}(t)\) 的渐近正态性）：在 A1–A5 下，

\[n^{1/2}(\hat{\mu}(t) - \mu(t)) = n^{-1/2}\sum_{i=1}^n \Psi_i(t) + o_p(1) \xrightarrow{d} N(0, E[\Psi_i(t)^2]),\]
其中影响函数 \(\Psi_i(t)\) 包含三项： - 死亡过程的鞅积分项 \(\int_0^t \frac{\mu(u)\, dM_i^D(u)}{E[I(L \leq u \leq X)]}\)（来自 \(\hat{S}_D\) 的估计）； - 访问过程的核加权项 \(\int_0^t S_D(u) \cdot \frac{Y_i(u) - r(u)}{E[\lambda(u)]} \cdot I(L_i \leq u \leq X_i)\, dN_i^*(u)\)（来自 \(\hat{r}_h\) 的估计）； - 边界修正项（来自核估计的偏差）。

定理 2（\(\hat{p}(t)\) 的渐近正态性）：\(\sqrt{nh}(\hat{p}(t) - p(t) - b(t,h)) \xrightarrow{d} N(0, \sigma^2(t))\)，其中渐近偏差 \(b(t,h) = \frac{1}{2} S_D(t) \mu_2(K_{h,t}) \{r^{(2)}(t) + 2r^{(1)}(t)\lambda^{(1)}(t)/\lambda(t)\} h^2\)，渐近方差 \(\sigma^2(t) = S_D(t)^2 \|K_{h,t}\|_2^2 \{r(t) - r^2(t)\}/\lambda(t)\)。

证明路线（附录 A）： 1. 先证明 \(\hat{S}_D(t)\) 的 i.i.d. 表示（利用 Gijbels & Wang 1993 的强逼近定理），得到影响函数 \(\phi_i^D(t) = -S_D(t) \int_0^t dM_i^D(u)/E[I(L \leq u \leq X)]\)。 2. 再证明 \(\hat{r}_h(t)\) 的渐近展开（利用核回归的标准技巧 + 左截断风险集的 U-统计量结构），得到偏差和方差项。 3. 将两者相乘并积分，利用乘积法则和 Slutsky 定理合并影响函数。 4. 关键技巧：将左截断的影响全部吸收到风险集指示 \(I(L_i \leq u \leq X_i)\) 中，使得 \(\hat{r}_h\) 的核回归形式与 Eaton et al. (2022) 完全一致，只是分母的期望从 \(E[I(X \geq u)]\) 变为 \(E[I(L \leq u \leq X)]\)。这大大简化了证明。

真实例子（ARIC 研究）

  • 数据：1336 名 MI 患者（811 名 prevalent，525 名 incident），随访至 Visit 9。痴呆状态在 Visit 5–9 间歇评估，死亡由持续监测获得。
  • 应用方式：以 Visit 5 为 prevalence day，估计 MI 后 5 年和 20 年无痴呆生存概率。prevalent 患者左截断时间为 MI 到 Visit 5 的时间；incident 患者左截断时间为 0。
  • 结果：固定带宽 3 年时，估计的 5 年无痴呆生存概率约 0.41（从文中图 4 读取），20 年约 0.07。年龄组间 EF-RMST 差异显著（p<0.0001），性别和种族间不显著。
  • 这个例子想说明什么：展示方法在真实队列中的应用，特别是左截断时间跨度大（最长 24.7 年）时，naive 方法会严重高估 EFS，而所提方法能利用 prevalent 患者的长期信息。

🔎 结论是否比证明窄

  • 定理只覆盖点态收敛，但文中在 ARIC 分析中画了整条 EFS 曲线并声称"曲线估计"——这需要 uniform confidence band，文中没有给出证明。作者在讨论中承认"逐点置信区间不能直接用于曲线推断"。
  • death-only 数据的整合是启发式的：定理 1 的证明只显式处理了 prevalent + incident 的合并，death-only 数据通过"扩大风险集"的方式并入 \(\hat{S}_D\) 的估计，但没有单独证明这种并入的渐近效率增益。
  • 模拟只覆盖了每年一次访问的场景：对更稀疏或更密集的访问，核估计的偏差项 \(b(t,h)\) 中的 \(\lambda^{(1)}(t)/\lambda(t)\) 项可能主导，文中没有敏感性分析。
  • bootstrap 标准误的验证：文中用 bootstrap 估计标准误，但定理只给了渐近方差 \(\sigma^2(t)\) 的表达式，没有证明 bootstrap 的一致性。这是一个小的理论缺口。

四、开放问题

  1. 协变量调整与回归扩展：本文方法完全无协变量。作者在讨论中写道"Developing semiparametric regression models for the left-truncated and component-wise censored data shall also be considered as a future direction"。具体而言，如何将 \(r(t)\) 的核回归替换为允许 \(X\) 进入的条件模型（如广义加性模型），同时保持左截断修正？这需要重新推导影响函数。

  2. 最优带宽选择的理论：文中用交叉验证选带宽，但只引用了 Eaton et al. (2022) 的做法，没有证明所选带宽在左截断下的渐近最优性（即最小化 AMISE 的带宽阶数 \(n^{-1/5}\) 是否仍然成立，还是因左截断而改变）。

  3. 访问过程依赖的稳健性：假设 A2 要求访问过程独立于事件时间。但作者在讨论中承认"症状驱动的访问可能违反这一假设"。若访问强度 \(\lambda(t)\) 依赖于 \(Y(t)\) 或 \(D\)，核估计 \(\hat{r}_h(t)\) 的分子分母都会出现选择偏差。如何诊断和修正？这类似于 informative visit times 问题，可参考 Liang et al. (2009) 的加权方法。

  4. death-only 数据的最优整合比例：Hartman (2025) 研究了 prevalent/incident 的最优比例，但本文没有给出 death-only 数据加入后风险集扩大的定量增益公式。一个具体问题是：当 death-only 样本量远大于 prevalent 样本量时，\(\hat{S}_D\) 的方差是否趋近于仅用 death-only 数据的方差下界？

提醒：若要确认上述某条是否为真 gap，建议检索近 3 年（2023–2026）的 Lifetime Data Analysis、Statistics in Medicine、Biometrics 中关于"component-wise censoring"和"left truncation"的论文。若多篇近期论文的引言都指向同一缺口，则大概率是共识性 gap；若各论文对处理方式（核估计 vs. NPMLE vs. 半参数）各执一词，则说明该问题仍处于方法竞争期，切入机会更大。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论