跳转至

Causal Effects on Nonterminal Event Time With Application to Antibiotic Usage and Future Resistance

作者: Tamir Zehavi, Uri Obolski, Michal Chowers, Daniel Nevo
来源: Statistics in Medicine
主题: 因果推断
相关性: 7/10
机构绿灯: Tel Aviv University(US News 前 50,免分进入精读)
链接: https://doi.org/10.1002/sim.70650


一、领域脉络与小综述

  • 这个方向是什么:本文属于因果推断与生存分析的交叉领域,具体研究"半竞争风险"(semi-competing risks, SCR)框架下的因果效应识别问题。SCR 数据的特点是存在一个非终末事件(如感染)和一个终末事件(如死亡),终末事件会截断非终末事件的观测。该方向的核心统计难题是:当结局(非终末事件)被一个受治疗影响的"截断事件"(死亡)所干扰时,如何定义并识别一个具有因果解释力的效应。该子方向的成熟度处于"活跃发展中"——已有多种主分层 estimand 被提出,但尚无统一框架,且对识别假设的讨论仍在深化。

  • 发展脉络(history):

  • 奠基工作:主分层分析(principal stratification)由 Frangakis & Rubin (2002) 系统提出,其核心思想是将因果效应定义在由潜在结局划分的亚群上,以处理"截断 by death"等复杂问题。这是本文所有 estimand 讨论的出发点。
  • SCR 因果推断的早期探索:Zhang & Rubin (2003) 提出 SACE(survivor average causal effect),将效应定义在"无论接受何种治疗都会存活"的亚群(always-survivors)上。这是对"截断 by death"问题最早的因果推断回应之一。Ding & Lu (2017) 进一步在 SACE 框架下发展了识别策略(principal score 方法)。
  • SCR 与主分层的系统结合:Nevo & Gorfine (2022) 将 SCR 数据与主分层结合,提出基于 illness-death 模型的因果 estimand 族,并引入双变量 frailties 刻画同一患者在不同治疗下的潜在事件时间关联。这是本文的直接前驱。
  • 近期扩展:Xu et al. (2020) 和 Comment et al. (2025) 将 always-survivors 的定义推广到时间动态版本(time-varying SACE),允许亚群随时间变化。Bühler et al. (2023) 和 Deng et al. (2024) 则从多状态模型角度处理类似问题。
  • 本文的位置:作者指出 SACE 和 AICE(always-infected causal effect)都排除了"在一种治疗下感染并死亡、在另一种治疗下存活"的患者(即 pt=8,9),而这些患者恰恰是临床上最需要关注的高危人群。本文提出更包容的 IOS 亚群和 FICE estimand,并给出两种识别策略(部分识别界 + 基于 frailties 的点识别)。

  • 子线索聚类:

  • 线索一:主分层 estimand 的扩展(Frangakis & Rubin 2002; Zhang & Rubin 2003; Ding & Lu 2017; Zehavi & Nevo 2023; Tong et al. 2025)。这条线关注"效应定义在哪个亚群上",核心问题是亚群的临床相关性和可识别性之间的权衡。
  • 线索二:SCR 数据的建模与估计(Fix & Neyman 1951; Xu et al. 2010; Lee et al. 2015; Gorfine et al. 2022; Kats & Gorfine 2023)。这条线关注 illness-death 模型的统计推断,包括半参数回归、frailty 建模等,为因果 estimand 提供估计工具。
  • 线索三:因果 estimand 的识别策略(Nevo & Gorfine 2022; Comment et al. 2025; Deng et al. 2024)。这条线直接处理"从观测数据到因果量的桥梁",包括单调性假设、工具变量、敏感性分析等。

  • 这个方向在追问的核心问题:

  • 亚群选择:在 SCR 数据中,哪个主分层亚群既能容纳足够多的患者(保证临床相关性),又能被观测数据合理识别?
  • 识别假设的强度:SACE 需要单调性假设,AICE 需要"总是感染"假设,本文的 FICE 需要 IOS-型假设——这些假设在应用中哪个更可信?
  • 交叉世界依赖:同一患者的潜在事件时间在不同治疗下如何关联?这个不可观测的关联(通常用 frailty 相关性 ρ 刻画)如何影响效应估计?
  • 估计方法:在 frailty 模型下,如何高效计算边际似然(涉及高维积分),并保证数值稳定性?

  • ⚠️ 作者的 framing(这是作者的说法):作者将缺口 frame 为"现有主分层 estimand(SACE、AICE)都排除了 pt=8,9 这两类患者,而这两类患者恰恰是抗生素耐药问题中最需要关注的人群"。因此,提出 IOS 亚群是"显然的下一步"。作者淡化了以下竞争路线:(1) 直接使用总效应(total effect)或生存质量调整的复合结局,这些 estimand 不需要主分层但解释性较弱;(2) 更复杂的动态处理效应框架(如 marginal structural models),这些方法可以处理时变治疗但需要更强的无未测量混杂假设。值得去查的问题:作者在 intro 中未引用 marginal structural models(如 Robins 的 MSM 文献)和"截断 by death"的经典处理(如 Rubin 的 censoring-by-death 框架),也未讨论 principal ignorability 之外的识别策略(如工具变量或代理变量)。这些遗漏是否意味着作者有意回避了竞争框架?

  • 张力:未见明显对立引用。但存在一个微妙的张力:Nevo & Gorfine (2022) 的 frailty 方法假设交叉世界相关性完全由可参数化的 frailty 分布刻画,而本文的界方法(Proposition 1)完全不依赖交叉世界相关性——这两种方法对同一 estimand 给出了不同强度的识别结果,作者将其呈现为互补而非竞争,但读者可以思考:如果 frailty 模型误设,点识别结果与界方法的结果差异有多大?

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

  • 治疗:\(A \in \{0, 1\}\),\(A=1\) 表示 Watch 类抗生素(头孢呋辛),\(A=0\) 表示 Access 类抗生素(阿莫西林-克拉维酸)。
  • 潜在事件时间:
  • \(T_1(a)\):在治疗 \(a\) 下,耐药感染发生的时间(非终末事件)。
  • \(T_2(a)\):在治疗 \(a\) 下,死亡发生的时间(终末事件)。
  • 设定 \(T_1(a) = \infty\) 表示在治疗 \(a\) 下一年内未发生耐药感染;\(T_2(a) = \infty\) 表示在治疗 \(a\) 下一年内存活。
  • 观测事件时间:\(T_1 = T_1(A)\),\(T_2 = T_2(A)\)(一致性)。
  • 事件指示:
  • \(I(a) = \mathbb{1}\{T_1(a) \le 1\}\):治疗 \(a\) 下一年内是否发生耐药感染。
  • \(S(a) = \mathbb{1}\{T_2(a) > 1\}\):治疗 \(a\) 下一年内是否存活。
  • 协变量:\(X\),包括年龄、性别、基础疾病等。
  • 主分层:由 \((I(0), S(0), I(1), S(1))\) 的 16 种组合定义,其中:
  • always-survivors (AS):\(S(0) = S(1) = 1\)(pt=11,13,15,16)。
  • always-infected (AI):\(I(0) = I(1) = 1\)(pt=4,8,12,16)。
  • infected-or-survivors (IOS)(本文新提出):\(\{I(0)=1 \text{ 或 } S(0)=1\} \cap \{I(1)=1 \text{ 或 } S(1)=1\}\),即 pt=8–16。
  • 可观测数据:\((X_i, A_i, \tilde{T}_{1i}, \delta_{1i}, \tilde{T}_{2i}, \delta_{2i})\),其中 \(\tilde{T}_{1i} = \min(T_{1i}, T_{2i}, 1)\),\(\delta_{1i} = \mathbb{1}\{T_{1i} \le \min(T_{2i}, 1)\}\);\(\tilde{T}_{2i} = \min(T_{2i}, 1)\),\(\delta_{2i} = \mathbb{1}\{T_{2i} \le 1\}\)。
  • 目标 estimand:FICE(t) = Pr[\(T_1(1) \le t\) | IOS] − Pr[\(T_1(0) \le t\) | IOS],即 IOS 亚群中,在 t 时刻前发生耐药感染的概率差。
  • 关键识别障碍:IOS 亚群的成员资格(即 \((I(0), S(0), I(1), S(1))\) 的具体取值)不可观测,因为每个患者只能接受一种治疗。

第二步:最小内核

考虑一个极度简化的场景:只有两个患者类型,且无协变量 \(X\)。

  • 患者类型 A:无论接受何种治疗都会存活且感染(\(I(0)=I(1)=1, S(0)=S(1)=1\))。这类患者属于 AS、AI、IOS。
  • 患者类型 B:接受治疗 0 时死亡且不感染(\(I(0)=0, S(0)=0\));接受治疗 1 时存活且感染(\(I(1)=1, S(1)=1\))。这类患者属于 IOS,但不属于 AS 或 AI。

问题:我们想估计 FICE(t),即 IOS 亚群中两种治疗下的感染概率差。但观测数据中,类型 B 的患者如果接受了治疗 0,我们只能看到"死亡且无感染";如果接受了治疗 1,我们能看到"存活且感染"。我们永远无法同时看到同一患者在两种治疗下的结局。

本文的核心思想:在 IOS-型假设(即"如果在治疗 0 下感染或存活,则在治疗 1 下也感染或存活")下,IOS 亚群 = IOS(0) = {在治疗 0 下感染或存活}。而 IOS(0) 的成员资格是可观测的(因为治疗 0 是 Access 组,我们可以直接看到患者是否感染或存活)。因此,IOS 亚群的比例 π_IOS 可以被识别(Lemma A4),且 Pr[\(T_1(0) \le t\) | IOS] 可以直接从 Access 组估计。唯一的问题是 Pr[\(T_1(1) \le t\) | IOS],即 IOS 亚群在 Watch 治疗下的感染概率——这涉及反事实,无法直接观测。

为什么难:Pr[\(T_1(1) \le t\) | IOS] 涉及"在治疗 1 下感染"与"属于 IOS"的联合分布。IOS 的定义涉及治疗 0 下的结局,而治疗 1 下的结局与治疗 0 下的结局通过交叉世界相关性(frailty 相关性 ρ)关联。这个 ρ 不可观测,因此 Pr[\(T_1(1) \le t\) | IOS] 无法被点识别。

本文的破解方式: 1. 界方法:在 IOS-型假设下,利用观测数据的约束,推导出 Pr[\(T_1(1) \le t\) | IOS] 的上下界(Proposition 1)。核心逻辑是:IOS 亚群中,在治疗 1 下感染的人,要么在治疗 0 下也感染(可观测),要么在治疗 0 下存活但未感染(可观测),要么在治疗 0 下死亡(不可观测,但概率受 π_IOS 约束)。 2. frailty 方法:假设存在一个双变量 frailty 变量 \(\gamma = (\gamma_0, \gamma_1)\),刻画同一患者在不同治疗下的潜在事件时间关联。通过参数化 frailties 的分布(如 Gamma),将交叉世界相关性简化为一个可估计的参数 ρ,从而点识别 FICE(t)。

最小内核的数学表述:在无协变量、二值结局(一年内是否感染)的简化场景下,FICE(1) 的识别问题退化为: - 可观测:\(p_{a,i} = \Pr(I(a)=i)\) 对 \(a=0,1\) 和 \(i=0,1\)(由一致性,\(p_{0,i}\) 从 Access 组估计,\(p_{1,i}\) 从 Watch 组估计)。 - 不可观测:\(q_{ij} = \Pr(I(0)=i, I(1)=j)\) 对 \(i,j \in \{0,1\}\)。 - 目标:\(\text{FICE}(1) = \frac{q_{11} + q_{01}}{q_{11}+q_{01}+q_{10}} - \frac{q_{11} + q_{10}}{q_{11}+q_{01}+q_{10}}\)(在 IOS 亚群中,即 \(I(0)=1\) 或 \(I(1)=1\))。 - 约束:\(q_{11}+q_{10}=p_{0,1}\),\(q_{11}+q_{01}=p_{1,1}\),\(q_{ij} \ge 0\),\(\sum q_{ij}=1\)。 - 这是一个经典的"部分可识别"问题:\(q_{10}\) 和 \(q_{01}\) 无法被唯一确定,只能给出区间。本文的界方法就是在这个约束系统下求 FICE(1) 的最大值和最小值。

三、这篇论文做了什么

三句话: 1. 研究问题:在 SCR 数据中,当患者可能仅在一种治疗下存活时,如何定义并识别治疗对非终末事件时间(耐药感染)的因果效应。 2. 核心方法:提出新的主分层 IOS 和 estimand FICE(t),并给出两种识别策略——在 IOS-型假设下的部分识别界(Proposition 1),以及在双变量 frailty 模型下的点识别(Proposition 3)。 3. 主要结论:在真实医院数据中,Watch 类抗生素相比 Access 类抗生素,在 IOS 亚群中一年内耐药感染风险显著更高(FICE(1) 的估计值约为 1.5%,95% CI: 0.2%, 2.9%),且这一结论在 frailty 相关性 ρ 的不同取值下保持稳健。

关键设定与假设: - 一致性(Consistency):观测到的结局等于潜在结局在 \(A=a\) 下的值。 - 条件可交换性(CE):\(A \perp \{T_1(0), T_2(0), T_1(1), T_2(1)\} \mid X\)。在匹配后的数据中,作者认为该假设近似成立。 - 无干扰(No interference):一个患者的治疗不影响其他患者的结局。 - IOS-型假设(IOS-ORP,Assumption 2):若患者在治疗 0 下感染或存活,则在治疗 1 下也感染或存活。即 \(\{I(0)=1 \text{ 或 } S(0)=1\} \subseteq \{I(1)=1 \text{ 或 } S(1)=1\}\)。这排除了 pt=2,3,6(在治疗 0 下感染或存活,但在治疗 1 下死亡且不感染)。 - 弱 IOS-型假设(Weak-ORP,Assumption 3):若患者在治疗 0 下感染,则在治疗 1 下感染或存活。即 \(\{I(0)=1\} \subseteq \{I(1)=1 \text{ 或 } S(1)=1\}\)。这排除了 pt=2,6。 - frailty 假设(Assumption 4):存在双变量 frailty \(\gamma = (\gamma_0, \gamma_1)\),满足 (i) 条件独立性(给定 \(X\) 和 \(\gamma\),潜在事件时间独立于治疗),(ii) 条件交叉世界独立性(给定 \(X\) 和 \(\gamma\),不同治疗下的潜在事件时间独立),(iii) \(\gamma \perp X\),(iv) 乘法风险模型。这些假设将交叉世界相关性完全归因于可参数化的 frailty 分布。

主要结果: - Proposition 1(IOS-ORP 下的界):在一致性、CE 和 IOS-ORP 下,FICE(t) 的上下界由观测数据的函数给出。上界为 \(U(t) = \min\{1, \frac{E_X[F_{1|A=1,X}(t)]}{E_X[\Psi_{A=0,X}]}\} - \frac{E_X[F_{1|A=0,X}(t)]}{E_X[\Psi_{A=0,X}]}\),下界为 \(L(t) = \max\{0, 1 - \frac{E_X[S_{1|A=1,X}(t)]}{E_X[\Psi_{A=0,X}]}\} - \frac{E_X[F_{1|A=0,X}(t)]}{E_X[\Psi_{A=0,X}]}\)。直觉:上界假设所有在治疗 1 下感染的人都在 IOS 中,下界假设所有在治疗 1 下未感染且死亡的人都不在 IOS 中。 - Proposition 2(Weak-ORP 下的界):在更弱的假设下,FICE(t) 的界更宽,但依然可以排除零效应。 - Proposition 3(frailty 模型下的点识别):在 frailty 假设下,FICE(t) 可以通过观测数据识别,表达式为 \(\frac{E_X[E_\gamma[F_{1|A=1,X,\gamma_1}(t) \Psi_{A=0,X,\gamma_0}]]}{E_X[E_\gamma[\Psi_{A=0,X,\gamma_0} \Psi_{A=1,X,\gamma_1}]]} - \frac{E_X[F_{1|A=0,X}(t)]}{E_X[\Psi_{A=0,X}]}\)。这里的关键是 frailty 分布 \(f_\theta(\gamma)\) 的参数可以从观测数据中估计(因为边际分布可识别),而 ρ 作为敏感性参数变化。 - 估计方法:采用 EM 算法估计 frailty 模型参数。似然函数在 Appendix F 中推导,涉及对 frailty 分布的积分。EM 算法的 E-step 需要计算后验期望 \(E[\gamma_a | \text{obs}]\),M-step 通过 Cox 回归和 Breslow 估计器更新参数。标准误通过 bootstrap 获得。

证明路线与技术技巧: - 整体路线: 1. 建立观测数据分布与潜在结果分布之间的联系(通过一致性、CE)。 2. 利用 IOS-ORP 假设,将 IOS 亚群的成员资格与观测事件联系起来,从而识别 π_IOS。 3. 对 FICE(t) 的分子(即 Pr[\(T_1(1) \le t\) 且 IOS])进行分解,利用观测数据的约束推导上下界。 4. 对于 frailty 方法,将潜在事件时间的联合分布参数化为 frailty 模型,利用观测数据的似然函数估计参数,然后通过 Monte Carlo 积分计算 FICE(t)。 - 关键跳跃点: - Lemma A4(IOS 比例识别):这是整个界方法的基础。它表明在 IOS-ORP 下,π_IOS = \(E_X[\Psi_{A=0,X}]\),即 Access 组中"感染或存活"的比例。这个结果看似简单,但它是将不可观测的亚群比例转化为可观测量的关键一步。 - Lemma A3(分子界的推导):这是 Proposition 1 的核心。它利用概率不等式(即 \(P(A \cap B) \ge \max\{0, P(A) + P(B) - 1\}\) 和 \(P(A \cap B) \le \min\{P(A), P(B)\}\))来界定联合概率。难点在于如何将"在治疗 1 下感染"与"属于 IOS"这两个事件的联合概率用观测数据表达。 - frailty 模型的似然推导:Appendix F 中,作者将观测数据的似然函数写成对 frailty 的积分,然后利用 Gamma 分布的共轭性质简化计算。关键技巧是将似然中的指数项整理成 frailty 的线性函数,从而将积分转化为 Gamma 分布的 Laplace 变换。 - 技术技巧点名: - 部分识别(partial identification):通过概率不等式推导 estimand 的界,而非点识别。 - 主分层(principal stratification):将因果效应定义在潜在结局划分的亚群上。 - 双变量 frailty 模型:用随机效应刻画同一患者在不同治疗下的潜在事件时间关联。 - EM 算法:处理含随机效应的生存模型的最大似然估计。 - Monte Carlo 积分:在 frailty 模型下计算边际概率。 - Bootstrap:估计标准误和置信区间。

真实例子与应用: - 数据:以色列 Meir 医疗中心 2015-2022 年 38,791 名有阳性细菌培养的成年患者。治疗组为接受头孢呋辛(Watch)或阿莫西林-克拉维酸(Access)的患者,匹配后各 4,143 人。 - 结果:在 IOS 亚群中,Watch 相比 Access 的一年内耐药感染风险差(FICE(1))估计为 1.5%(95% CI: 0.2%, 2.9%),风险比约为 1.20(95% CI: 1.02, 1.39)。总效应(total effect)为 1.8%(95% CI: 0.6%, 3.6%),SACE 为 1.4%(95% CI: 0.2%, 2.6%)。FICE 与 SACE 的差异虽不显著,但 FICE 的置信区间更窄,且包含了更多患者(π_IOS ≈ 81.5% vs π_AS ≈ 69.5%)。 - 敏感性分析:在 frailty 模型下,当 ρ 从 0 变化到 1 时,FICE(1) 的估计从约 1.5% 变化到约 1.2%,结论不变。这表明结果对交叉世界相关性的假设不敏感。 - 例子想说明什么:FICE 能够在更包容的亚群中检测到显著的因果效应,而 SACE 和 AICE 可能因为排除关键患者而低估或掩盖效应。同时,界方法虽然不能给出点估计,但可以验证点估计的合理性。

🔎 结论是否比证明窄: - 作者在摘要和引言中声称"FICE 比 SACE 和 AICE 更包容、更相关",但这一论断主要基于概念论证和模拟,而非严格的理论证明。文中没有证明 FICE 在某种意义上是"最优"的 estimand。 - Proposition 1 的界是在 IOS-ORP 下推导的,但作者在讨论中承认 IOS-ORP 可能不成立(例如,Watch 抗生素可能导致某些患者在感染前死亡)。此时,界可能不成立,但作者没有给出 IOS-ORP 违反时的替代界。 - 在 frailty 方法中,作者假设 frailty 分布为 Gamma 且 \(\gamma \perp X\)。这些假设较强,作者在讨论中承认了这一点,但没有提供模型诊断或敏感性分析来验证这些假设。 - 文中提到"其他时间点也可以考虑",但所有理论结果和实证分析都集中在 t=1(一年)这一时间点。对于 t<1 的 FICE(t),界是否依然有效、frailty 方法是否依然可识别,文中没有明确说明。

四、开放问题

  1. 动态亚群定义:本文的 IOS 基于一年期结局定义。若将时间窗改为 t<1 或 t>1,IOS 的成员资格会变化,FICE(t) 的识别条件是否需要调整?文中 Appendix B 提到时间动态版本,但未给出具体识别结果。扎根于 Appendix B 的讨论。
  2. 违反 IOS-ORP 时的界:当 IOS-ORP 不成立时(例如,Watch 抗生素导致感染前死亡),本文的界是否仍然有效?能否推导出更一般的界?扎根于 Proposition 1 的假设。
  3. frailty 模型的稳健性:当 frailty 分布不是 Gamma 或 \(\gamma \not\perp X\) 时,点识别结果会如何变化?能否发展出半参数方法,避免对 frailty 分布的参数假设?扎根于 Assumption 4。
  4. 多重耐药事件:本文只考虑首次耐药感染。若患者可能多次感染不同耐药菌株,如何扩展 FICE 框架?扎根于数据描述中"至少一次耐药培养"的定义。
  5. 时变治疗:抗生素治疗可能在随访期间调整,本文的治疗是基线固定的。如何处理时变治疗下的 FICE?扎根于讨论部分"未来研究"的提及。
  6. 效率与推断:本文的界估计和 frailty 估计的渐近效率如何?能否构造半参数有效估计量?文中未讨论效率界,这是一个空白。

提示:要确认这些是否是真 gap,建议去读该领域近期约 5 篇论文的引言(如 Comment et al. 2025, Tong et al. 2025, Zehavi & Nevo 2023 等),看它们是否也指向类似问题。如果多篇论文都提到"动态亚群识别"或"frailty 模型稳健性",那可能是共识性 gap;如果各说各话,则可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论