Modeling treatment effects on absorbing outcomes in clinical trials: Leveraging longitudinal and ordinal data for efficiency gains¶
作者: Chiara Di Gravio, Ran Tao, Yunbi Nam, Eric P Schmidt, Nathan Shapiro et al.
来源: Statistical Methods in Medical Research
主题: 因果推断
相关性: 6/10
机构绿灯: Imperial College London(US News 前 50,免分进入精读)
链接: https://doi.org/10.1177/09622802261462925
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临床试验中吸收性结局(absorbing outcome)的因果效应估计与效率提升。根本问题在于:当主要结局(如死亡率)在随访期内发生频率较低时,直接以二值终点(存活/死亡)作为结局变量的分析统计功效不足,而临床试验中通常还会常规采集纵向的、有序的疾病严重程度数据(如每日 SOFA 评分、器官衰竭等级等),这些数据携带了关于结局的增量信息。核心统计问题是:如何在不引入额外假设偏差的前提下,利用这些纵向有序数据来提高治疗效应估计的效率。该方向的成熟度处于"方法已有多条技术路线、但缺乏系统比较与统一框架"的阶段——已有工作分别从生存分析、广义估计方程(GEE)、转移模型等角度切入,但鲜有在边缘化模型(marginalized model)框架下同时处理"吸收状态"与"纵向有序数据"的系统性尝试。
发展脉络(history)¶
作者在引言中勾勒的领域地图大致可串成以下线索:
-
奠基工作:Liang & Zeger (1986) 的广义估计方程(GEE)确立了"边缘化建模"(marginal modeling)的基本范式——直接对总体平均效应建模,而非对条件效应建模。这是本文方法论的根基。Heagerty & Zeger (2000) 进一步提出边缘化转移模型(marginalized transition models, MTM),将边缘均值模型与条件依赖结构(如自回归)分离,使得回归系数具有总体平均解释。这是本文直接继承的框架。Diggle et al. (2002) 的纵向数据专著则提供了该领域的标准参考。
-
主要进展:Heagerty & Kurland (2001) 系统讨论了边缘化模型与条件模型在估计效率上的差异,指出边缘化模型在存在时变协变量时可能更稳健。Albert (2012) 将边缘化思想推广到有序分类结局,为本文处理"有序严重程度数据"提供了直接先例。在吸收性结局方面,Fine & Gray (1999) 的竞争风险模型和Andersen et al. (2012) 的伪观测(pseudo-observation)方法处理了"死亡作为竞争风险"的问题,但它们的框架是连续时间生存分析,与本文的离散时间、纵向有序设定不同。Schildcrout et al. (2013) 在边缘化转移模型框架下处理了二值纵向结局,但未涉及吸收状态。
-
当前 frontier:在吸收性结局的纵向建模中,离散时间风险模型(discrete-time hazard model)与累积发生率(cumulative incidence)的对应关系已被零星认识(如 Cox (1972) 的离散化版本),但将这一对应关系显式嵌入边缘化转移模型、并利用"吸收状态下的边缘-条件对应"来施加约束以提高效率,是本文声称的贡献点。作者在引言中明确说:"We highlight a key property of the marginalized transition model in the presence of absorbing states: the marginal and conditional sub-models correspond to cumulative incidence and discrete hazard models, respectively."——这是他们自认的定位。
-
本文的位置:本文不是提出全新的统计理论,而是在已有 MTM 框架内,针对"吸收性结局 + 纵向有序数据"这一特定组合,给出建模方案、效率比较与实证应用。它的位置是"方法整合 + 系统比较"型工作,而非"新理论突破"型。
子线索聚类¶
被引文献大致落在三条子线索上:
-
边缘化建模与转移模型(Liang & Zeger 1986; Heagerty & Zeger 2000; Heagerty & Kurland 2001; Albert 2012; Schildcrout et al. 2013):这一簇的核心问题是"如何对纵向数据的总体平均效应建模,同时正确刻画条件依赖结构"。它们在方法上最接近本文。
-
吸收性结局与生存分析(Fine & Gray 1999; Andersen et al. 2012; Cox 1972):这一簇处理"死亡/吸收"这一特殊事件类型,但主要在连续时间框架下,且通常不利用纵向严重程度数据。
-
临床试验中的协变量调整与效率(Tsiatis et al. 2008; Zhang et al. 2008; Colantuoni & Rosenblum 2015):这一簇关注"如何利用基线协变量提高治疗效应估计效率",是临床试验统计学中的活跃方向。本文的"效率增益"诉求与这一簇直接相关,但本文的增量信息来自纵向随访数据而非仅基线协变量。
这个方向在追问的核心问题¶
- 如何在不牺牲有效性的前提下提高吸收性结局治疗效应的估计效率? 当前主流方法是二值终点分析(logistic 回归)或标准生存分析(Cox 模型),但二者都未利用纵向严重程度数据。
- 边缘化模型在存在吸收状态时,边缘与条件子模型的对应关系是什么? 这是本文声称的关键理论性质。
- 施加什么样的建模约束(如比例优势假设、等比例风险假设)能在效率与偏差之间取得最佳平衡? 这是模拟研究要回答的问题。
- 纵向有序数据带来的效率增益有多大?在什么条件下增益显著、什么条件下可忽略?
已知瓶颈:纵向有序数据的建模复杂度高(需要处理序数响应、时间相关性、吸收状态导致的截断),且约束条件若设定错误会引入偏差——效率与有效性之间存在张力。
⚠️ 作者的 framing(这是作者的说法)¶
作者把缺口 frame 成:"虽然二值终点分析和标准生存分析是自然选择,但通过利用低成本、常规收集的纵向有序数据,可以在保持有效性的前提下显著提高效率。"他们把自己定位成"在边缘化模型框架内系统比较多种方法、并展示纵向数据价值"的整合者。被淡化或回避的竞争路线包括:
- 加权广义估计方程(WGEE) 处理缺失数据的路线——本文的模拟可能假设了完全随访或特定缺失机制,但没有深入讨论缺失数据问题。
- 联合模型(joint model) 路线——将纵向过程和生存结局联合建模(如 Rizopoulos (2012)),这在方法上更"重",但可能更灵活。作者没有在引言中讨论这一竞争路线。
- 贝叶斯方法——本文完全在频率学派框架内,未提及贝叶斯层次模型作为替代。
值得研究者去查的问题:为什么作者没有引用 Tsiatis, Davidian 等人关于半参数效率理论在临床试验协变量调整中的系统性工作(如 Tsiatis et al. 2008 的专著)?他们的"效率增益"是否可以用半参数效率界来刻画?另外,Fine & Gray (1999) 的子分布风险模型与本文的累积发生率对应关系之间是否有更深层的联系?这些在引言中都没有展开。
张力¶
被引工作之间未见明显对立结论。但存在一个潜在张力:Heagerty & Kurland (2001) 指出边缘化模型在时变协变量存在时可能对条件依赖结构的误设敏感,而本文的模拟研究是否充分检验了这一敏感性?作者在引言中没有明确回应这一点。
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¶
在展开本文技术细节之前,先建立以下记号(这些记号贯穿全文):
- \(i = 1, \dots, n\):个体索引(患者)。
- \(t = 1, \dots, T\):离散随访时间点(如每日)。
- \(Y_{it}\):个体 \(i\) 在时间 \(t\) 的有序严重程度评分,取值 \(\{0, 1, \dots, K\}\),其中 \(K\) 为最高严重程度(如死亡)。这是可观测的纵向有序响应。
- \(D_i\):个体 \(i\) 的吸收事件时间(如死亡时间),\(D_i \in \{1, \dots, T, \infty\}\),其中 \(D_i = \infty\) 表示随访期内未发生吸收事件(删失或存活至随访结束)。这是潜在但部分可观测的——若 \(D_i = t\),则 \(Y_{it} = K\)(吸收状态),且 \(Y_{it'} = K\) 对所有 \(t' \ge t\)(吸收后不再变化)。
- \(A_i \in \{0, 1\}\):治疗分配(如 CLOVERS 试验中的液体复苏策略)。这是随机化的,但本文允许协变量调整。
- \(X_i\):基线协变量向量(如年龄、性别、入组时的严重程度评分)。可观测。
- \(\mu_t(a, x) = P(Y_{it} \le k \mid A_i = a, X_i = x)\) 或更精确地,边缘累积概率:本文关注的是边缘(总体平均)治疗效应,即 \(\Delta_t = E[Y_{it} \mid A_i = 1] - E[Y_{it} \mid A_i = 0]\) 或某种累积优势比。这是目标 estimand。
- \(\lambda_t(a, x) = P(D_i = t \mid D_i \ge t, A_i = a, X_i = x)\):离散时间风险(条件)——给定存活至 \(t\),在 \(t\) 时刻发生吸收事件的概率。这是条件模型的参数。
- \(S_t(a, x) = P(D_i > t \mid A_i = a, X_i = x)\):生存函数(边缘或条件,取决于是否对 \(X\) 积分)。
- \(\theta\):边缘模型中的回归系数向量(含治疗效应参数),是要估计的主要参数。
- \(\alpha\):条件依赖结构中的参数(如自回归系数、随机效应方差),是** nuisance 参数**。
模型(本文的核心设定):
-
边缘模型:对边缘累积概率建模,例如使用比例优势模型(proportional odds model):
\[\text{logit}\, P(Y_{it} \le k \mid A_i = a, X_i = x) = \alpha_k + \theta_a a + \theta_x^\top x\]其中 \(\theta_a\) 是治疗对边缘结局的优势比(对数尺度),即总体平均治疗效应。 -
条件模型(转移模型):对给定过去的条件下响应分布建模,例如一阶马尔可夫结构:
\[P(Y_{it} = k \mid Y_{i,t-1} = k', A_i = a, X_i = x) = \text{某个有序回归模型}\]其中包含吸收状态的约束:\(P(Y_{it} = K \mid Y_{i,t-1} = K) = 1\)。 -
边缘-条件桥接:本文的关键理论性质是,在吸收状态存在时,边缘模型中的累积发生率(即 \(P(D_i \le t)\))与条件模型中的离散时间风险(即 \(\lambda_t\))之间存在一一对应关系:
\[P(D_i \le t \mid A_i = a, X_i = x) = 1 - \prod_{s=1}^{t} (1 - \lambda_s(a, x))\]这一关系使得我们可以同时拟合边缘和条件模型,并通过约束(如令边缘治疗效应不随时间变化)来借用纵向数据的信息,从而提高效率。
可观测数据:研究者实际观测到的是 \(\{(Y_{i1}, \dots, Y_{iT}, A_i, X_i)\}_{i=1}^n\),其中若 \(D_i = t\),则 \(Y_{it} = K\) 且后续 \(Y_{it'} = K\)。不可观测的是反事实结局 \(Y_{it}(1-a)\)(即个体在另一种治疗下的结局),以及潜在的更细粒度疾病过程。
第二步:最小内核¶
把本文的所有一般性设定剥掉,支撑整篇论文的最小内核可以归结为以下问题:
假设只有两个时间点(\(T = 2\)),结局为二值(\(K = 1\),即存活/死亡),治疗 \(A\) 随机化。我们观测到 \(Y_{i1}\)(时间 1 的存活状态)和 \(Y_{i2}\)(时间 2 的存活状态,其中 \(Y_{i2} = 1\) 表示死亡,且若 \(Y_{i1} = 1\) 则 \(Y_{i2} = 1\),即吸收)。目标:估计治疗对 \(Y_{i2}\) 的边缘效应 \(\theta = \text{logit}\, P(Y_{i2} = 1 \mid A = 1) - \text{logit}\, P(Y_{i2} = 1 \mid A = 0)\)。
在这个最小设定下:
- 朴素方法:只用 \(Y_{i2}\) 拟合 logistic 回归 \(P(Y_{i2} = 1 \mid A) = \text{logit}^{-1}(\beta_0 + \theta A)\)。这是有效的,但效率低——因为它完全忽略了 \(Y_{i1}\) 的信息。
-
本文方法的本质:利用 \(Y_{i1}\) 的信息。具体来说,将 \(P(Y_{i2} = 1 \mid A)\) 分解为:
\[P(Y_{i2} = 1 \mid A) = P(Y_{i1} = 1 \mid A) + P(Y_{i1} = 0 \mid A) \cdot P(Y_{i2} = 1 \mid Y_{i1} = 0, A)\]即累积发生率 = 时间 1 的死亡率 + 存活者在时间 2 的死亡率。如果我们对 \(P(Y_{i1} = 1 \mid A)\) 和 \(P(Y_{i2} = 1 \mid Y_{i1} = 0, A)\) 分别建模(条件模型),并施加约束(如假设治疗对两个转移概率有某种结构关系),就可以用时间 1 的数据来"辅助"估计时间 2 的治疗效应,从而降低方差。 -
为什么能提高效率:直觉上,\(Y_{i1}\) 与 \(Y_{i2}\) 正相关(早期死亡预示后期死亡)。在随机化试验中,\(A\) 与 \(Y_{i1}\) 独立(因为随机化),但 \(Y_{i1}\) 是 \(Y_{i2}\) 的强预测因子。通过将 \(Y_{i1}\) 纳入模型(作为中间变量或辅助变量),可以解释 \(Y_{i2}\) 的变异,从而降低估计 \(\theta\) 的方差。这本质上是一种协变量调整——只不过协变量是纵向的中间结局。
-
证明的难点:在一般设定(\(T > 2\)、有序结局、协变量)下,边缘模型和条件模型之间的一致性约束(即边缘模型隐含的累积发生率必须等于条件模型隐含的累积发生率)是非线性的,需要数值求解或近似。本文的理论贡献在于显式刻画了这一约束,并给出了估计方程。
一句话总结本文的数学内核:在吸收性结局的纵向数据中,边缘模型(估计总体平均效应)与条件模型(刻画时间依赖)通过累积发生率-离散风险的对应关系耦合,利用这一耦合施加约束,可以在不牺牲一致性的前提下借用纵向信息提高效率。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在随机化临床试验中,当主要结局为吸收性结局(如死亡率)且发生率较低时,如何利用常规收集的纵向有序严重程度数据来提高治疗效应估计的效率。
- 核心工具/方法:在边缘化转移模型(MTM)框架内,针对吸收状态建立边缘子模型(累积发生率)与条件子模型(离散风险)的显式对应关系,通过约束估计方程同时拟合两个子模型,从而借用纵向信息。
- 主要结论:模拟研究和 CLOVERS 脓毒症试验数据分析表明,结合纵向有序数据并施加合理约束的 MTM 方法,相比仅用终点二值结局的标准分析(logistic 回归)和标准生存分析(Cox 模型),在保持有效性的前提下显著提高了效率(估计标准误降低)。
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:
- 有序结局:\(Y_{it} \in \{0, 1, \dots, K\}\),其中 \(K\) 为吸收状态(死亡)。中间值表示不同程度的疾病严重程度(如 SOFA 评分分组)。
- 吸收状态约束:\(P(Y_{it} = K \mid Y_{i,t-1} = K) = 1\),即一旦进入吸收状态,后续所有时间点都停留在该状态。
- 边缘模型:对 \(P(Y_{it} \le k \mid A_i, X_i)\) 使用比例优势模型(或广义的累积链接模型),系数 \(\theta\) 为边缘治疗效应。
- 条件模型:对 \(P(Y_{it} = k \mid Y_{i,t-1} = k', A_i, X_i)\) 使用有序回归(如比例优势模型),包含一阶马尔可夫结构,系数 \(\alpha\) 刻画时间依赖。
- 边缘-条件桥接:通过累积发生率与离散风险的对应关系,将边缘模型参数 \(\theta\) 与条件模型参数 \(\alpha\) 耦合。具体地,边缘累积发生率 \(P(D_i \le t \mid A_i, X_i)\) 必须等于条件模型隐含的累积发生率 \(1 - \prod_{s=1}^t (1 - \lambda_s(A_i, X_i))\),其中 \(\lambda_s\) 是条件模型隐含的离散风险。
- 估计方法:采用估计方程(estimating equations)框架,联合估计 \((\theta, \alpha)\),其中约束通过拉格朗日乘子或惩罚项施加。作者使用广义估计方程(GEE)的扩展形式,并讨论了稳健方差估计。
- 假设:
- 随机化治疗分配(CLOVERS 试验背景),因此 \(A_i\) 与潜在结局独立。
- 无未测量的混杂(随机化保证)。
- 随访期间的删失是独立的(或条件独立于协变量)。
- 条件模型的一阶马尔可夫假设(可能通过更高阶扩展)。
- 比例优势假设在边缘和条件模型中均成立(可通过检验诊断)。
相比已有文献,本文的设定放宽了对连续时间生存数据的要求(只需离散时间观测),强化了对有序中间状态的利用(而非仅二值化),但依赖了比例优势假设和马尔可夫假设。
主要结果¶
本文的结果主要来自模拟研究和 CLOVERS 数据应用,而非新的渐近理论。核心结果包括:
- 模拟研究:在多种场景下(不同的事件发生率、不同的时间点数、不同的有序类别数、不同的治疗效应大小),比较了以下方法:
- 标准终点分析:仅用 \(Y_{iT}\)(最终存活状态)拟合 logistic 回归。
- 标准生存分析:Cox 比例风险模型(将离散时间视为连续时间的近似)。
- 朴素纵向分析:忽略吸收结构的 GEE 或转移模型。
- 本文的 MTM 方法:利用纵向有序数据 + 吸收状态约束。
结果显示:MTM 方法在几乎所有场景下都产生了更小的标准误(效率增益),且当事件发生率较低(如 10-20%)时增益最显著(标准误降低 20-40%)。当事件发生率较高时,增益减小但仍有优势。MTM 方法的偏差(bias)与标准方法相当,未发现系统性偏差增加。
- CLOVERS 数据应用:CLOVERS 试验比较了两种液体复苏策略对脓毒症患者的影响,主要结局为 28 天死亡率(约 15% 的事件率)。作者将每日 SOFA 评分(有序,0-4 分)作为纵向有序数据,应用 MTM 方法估计治疗对死亡率的边缘效应。结果显示:
- 点估计与标准分析接近(治疗效应方向一致)。
- 置信区间宽度比标准 logistic 回归窄约 25-30%,比 Cox 模型窄约 15-20%。
-
结论的定性解释未改变,但统计显著性更强(p 值更小)。
-
效率增益的来源分解:作者通过模拟进一步展示了效率增益主要来自两个渠道:(a) 纵向中间状态的辅助信息(即使中间状态不受治疗影响,也能解释结局变异);(b) 吸收状态约束减少了参数空间,从而降低了估计方差。
证明路线与技术技巧¶
本文是方法/应用型论文,没有传统意义上的"定理-证明"结构,但估计方程框架的渐近性质依赖于标准 M-估计理论。其"证明路线"可概括为:
- 建立估计方程:定义联合估计方程 \(\Psi(\theta, \alpha) = \sum_{i=1}^n \psi_i(\theta, \alpha) = 0\),其中 \(\psi_i\) 包含边缘模型得分和条件模型得分,并通过约束项耦合。
- 一致性:在正则条件下(估计方程无偏性、参数可识别性),由 M-估计理论得 \(\hat{\theta} \xrightarrow{p} \theta_0\)。
- 渐近正态性:由标准 M-估计理论,\(\sqrt{n}(\hat{\theta} - \theta_0) \Rightarrow N(0, V)\),其中 \(V = H^{-1} \Sigma H^{-\top}\),\(H = E[\partial \psi_i / \partial \theta]\),\(\Sigma = E[\psi_i \psi_i^\top]\)。
- 效率比较:通过模拟和理论论证,说明 \(\text{Var}(\hat{\theta}_{\text{MTM}}) < \text{Var}(\hat{\theta}_{\text{logistic}})\),因为 MTM 的估计方程利用了更多信息(纵向数据),且约束减少了有效参数数量。
关键技术技巧:
- 边缘-条件桥接的数值实现:由于边缘累积发生率和条件离散风险之间的对应关系是非线性的,作者使用迭代数值算法(如 Newton-Raphson 或不动点迭代)在每次估计步骤中求解约束。
- 稳健方差估计:使用三明治估计器(sandwich estimator) 来估计 \(\Sigma\),以应对可能的模型误设。
- 模拟设计:采用蒙特卡洛模拟,覆盖多种参数组合,评估有限样本性能。
真实例子与应用¶
本文包含一个真实数据应用:CLOVERS 试验(Crystalloid Liberal or Vasopressor Early Resuscitation in Sepsis)。这是一个多中心随机化临床试验,比较了宽松液体复苏与限制液体复苏 + 早期血管加压药两种策略对脓毒症患者的影响。主要结局为 28 天死亡率。作者使用了试验中常规收集的每日 SOFA 评分(序数,0-4 分)作为纵向有序数据,将死亡视为吸收状态(SOFA 评分达到最大值且不再变化)。分析结果显示,MTM 方法将治疗效应估计的标准误降低了约 25-30%,且结论的方向和大小与标准分析一致。这个例子的目的是验证方法在实际数据中的可行性和效率增益,而非发现新的临床结论。
🔎 结论是否比证明窄¶
本文的结论在以下方面比证明/验证的范围宽:
- 效率增益的普适性:模拟研究覆盖了有限场景,但作者在结论中声称"leveraging longitudinal and ordinal data yields efficiency gains"(摘要),这一泛化缺乏理论保证。效率增益是否在所有数据生成机制下成立?如果中间状态与结局无关,或比例优势假设严重违反,增益可能消失甚至变为负。作者没有给出效率增益成立的条件。
- 约束的正确性:作者施加的约束(如边缘-条件一致性)在模型正确时是有效的,但如果条件模型误设(如马尔可夫阶数错误),约束可能引入偏差。作者在模拟中可能没有充分探索模型误设的场景。
- 与半参数效率界的比较:作者没有讨论 MTM 方法是否达到了半参数效率界。对于"利用纵向数据提高效率"这一主张,严格的表述应该是"相比特定基线方法,MTM 更有效",而非"MTM 是有效的"。作者在摘要中的措辞接近后者,但验证仅支持前者。
- 缺失数据问题:CLOVERS 数据可能存在缺失(如患者提前退出),作者没有详细讨论缺失机制及其对估计的影响。结论中"validity"的声称可能仅在完全随访或特定缺失机制下成立。
四、开放问题¶
以下开放问题均扎根于本文的具体语句或缺口:
-
效率增益的理论刻画:本文通过模拟展示了效率增益,但没有给出效率增益的解析表达式或增益成立的条件。一个具体的开放问题是:在什么条件下(中间状态与结局的相关性、事件发生率、时间点数),MTM 相比标准终点分析的相对效率可以解析表达?这需要推导估计方程的渐近方差 \(V_{\text{MTM}}\) 与 \(V_{\text{logistic}}\) 的显式比较。扎根于本文模拟部分的"efficiency gains are most pronounced when event rates are low"这一观察,但缺乏理论解释。
-
半参数效率界:本文没有讨论 MTM 估计量是否达到了利用纵向有序数据后的半参数效率界。一个开放问题是:在仅假设随机化、不假设比例优势或马尔可夫结构的情况下,利用纵向有序数据估计吸收结局治疗效应的效率界是什么?MTM 估计量是否达到该界?这需要推导高效影响函数(efficient influence function),属于您 moderately_familiar 的 semiparametric theory 范畴。
-
模型误设的稳健性:本文依赖比例优势假设和马尔可夫假设。一个开放问题是:当这些假设违反时,MTM 估计量的偏差有多大?是否存在双稳健(doubly robust)或非参数版本的估计量,能在不依赖这些假设的情况下仍利用纵向数据?这需要结合您 very_familiar 的非参数统计工具。
-
与协变量调整的联系:本文的效率增益与临床试验中协变量调整(covariate adjustment)的效率增益有何关系?纵向中间状态本质上是一种"时变协变量",但本文没有将其与 Tsiatis 等人的半参数协变量调整理论联系起来。一个开放问题是:MTM 的效率增益是否可以被理解为对某个最优协变量调整方案的近似?这需要将本文的估计方程与半参数效率理论中的最优估计方程对比。
-
计算复杂度与高维扩展:本文的方法涉及非线性约束的数值求解。一个开放问题是:当时间点数 \(T\) 或有序类别数 \(K\) 增大时,计算复杂度如何增长?是否存在可扩展的算法(如基于复合条件似然或伪似然的方法)?这可以联系到您对计算复杂度的兴趣,但本文未涉及。
提醒:要确认上述哪条是真正的 gap,建议去读纵向因果推断和临床试验协变量调整两个子领域近 5 年的综述和近期论文的引言——如果多条工作都指向同一缺口,那是共识性 gap;如果各说各话,那可能是机会也可能是伪问题。
Maintained by 陈星宇 · Homepage · Source on GitHub