Estimating Treatment Effects in Complex Disease Dynamics: Immortal Time, Varying Hazards, and Multiple Time Scales¶
作者: Yujun Xu, Ulrich Mansmann
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2610.35678
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观察性生存研究中的因果效应估计,其根本问题是:当治疗(如异基因造血干细胞移植)的启动存在延迟、且启动与否取决于患者随时间变化的健康状况时,如何定义并估计一个具有因果解释的治疗效应?该问题的核心困难在于"不朽时间偏倚"(immortal time bias)——即患者必须存活且保持合格状态到治疗启动时刻,才能被归入治疗组,这导致治疗组与对照组在风险集构成上存在系统性差异。该方向的成熟度处于"方法已被广泛讨论、但不同方法的估计目标与隐含假设尚未被系统厘清"的阶段。
发展脉络¶
- 奠基工作:Hernán (2010) 的 "The Hazards of Hazard Ratios" 是本文引用的关键节点,它指出风险比(hazard ratio)作为条件量,其"条件"本身(存活到某时刻)是治疗后变量,因此即使在全随机化试验中,风险比也不具备直接的因果解释。Martinussen (2022) 进一步系统论述了风险比的因果解释困境。这一脉络确立了"风险比不是因果量"的共识,为后续转向概率尺度(risk scale)的估计提供了动机。
- 主要进展:针对不朽时间偏倚,方法学上形成了两条路线。第一条是时间依赖 Cox 模型(time-dependent Cox model),通过将治疗作为时变协变量纳入回归,试图"校正"偏倚;第二条是landmark 分析(van Houwelingen & Putter, 2008, 2011),通过在固定 landmark 时间点冻结协变量状态来避免未来信息泄漏。这两条路线在应用中被广泛使用,但本文指出它们常被当作可互换的"不朽时间偏倚修正工具",而忽略了它们实际估计的是不同的量。
- 当前 frontier:近年来的进展是将目标试验模拟(target trial emulation, Matthews et al., 2022)与估计框架(estimand framework, Kahan et al., 2024)引入生存分析。目标试验模拟要求在分析前明确写出拟模拟的随机试验方案(包括入组标准、治疗策略、随访起点),从而将"不朽时间"从设计层面消解——治疗策略在基线时点就已定义,后续的延迟启动被视为策略的一部分而非分组依据。估计框架则要求明确估计目标(estimand),区分"治疗策略"(treatment policy)与"假想策略"(hypothetical strategy)等不同解释。本文正是在这一前沿上,将多状态模型(multi-state model)作为描述疾病动态的"真实机制",并以此为基准来审视其他估计量的偏差来源。
- 本文的位置:本文的独特贡献在于将多状态模型同时用作数据生成机制和估计工具。作者在 AML 移植情境下,以"基线意向移植策略"(intention-to-transplant strategy at baseline)为因果估计目标,系统比较了时间依赖 Cox 模型、landmark 超模型、多状态模型和 g-formula 四种方法。通过分解偏似然得分,他们从理论上证明了单时间尺度模型在"时钟重置"(clock reset)情境下的系统性偏差来源,并用 III 期模拟研究量化了偏差大小。
子线索聚类¶
- 因果推断与目标试验模拟:Hernán (2010)、Martinussen (2022)、Matthews et al. (2022)、Kahan et al. (2024)。这条线索的核心主张是:观察性生存分析必须从"模拟一个随机试验"出发定义估计目标,否则任何估计量都缺乏因果解释。
- 多状态模型与动态预测:Putter et al. (2007)、van Houwelingen & Putter (2008, 2011)、Gerstung et al. (2017)、Xu et al. (2016)、Drenda et al. (2026)。这条线索将疾病过程建模为多状态转移,强调中间事件(移植、复发)对后续风险的影响,并关注非 Markov 动力学下的估计问题。
- 生存分析中的时间尺度问题:Iacobelli & Carstensen (2013)、Oakes (1995)、Aalen & Gjessing (2001)。这条线索讨论多时间尺度(如研究时间 vs. 状态内时间)的选择及其对模型解释的影响。
- 模拟研究方法论:Morris et al. (2019)、Heinze et al. (2024)。本文遵循了"阶段 III 模拟研究"(phase III simulation study)的规范,即模拟研究应基于真实数据校准的机制,而非任意设定的参数。
这个方向在追问的核心问题¶
- 估计目标的可解释性:当治疗是时变的、且受中间事件影响时,什么样的对比(contrast)才具有临床决策所需的因果解释?是风险比、风险差、还是生存概率比?
- 时间尺度的选择:在存在中间事件(如移植)的情况下,应该以"研究时间"还是"状态内时间"作为基本时间尺度?不同选择对模型识别和估计偏差有何影响?
- 模型误设的鲁棒性:当真实过程是非 Markov 的(如时钟重置),而估计方法假设 Markov 性或单一时间尺度时,偏差有多大、方向如何?
⚠️ 作者的 framing¶
作者将缺口 frame 为:"常用估计量(时间依赖 Cox、landmark、g-formula)在复杂疾病动态下估计的是不同的量,且当死亡强度在不同起始状态上不成比例时,单时间尺度模型会产生系统性偏差;多状态模型配合目标试验模拟,可以在概率尺度上正确定义和估计因果效应。" 作者淡化的竞争路线包括:逆概率加权(IPW)和克隆-删失-加权(clone-censor-weight)方法——文中仅在讨论 g-formula 时顺带提及,未将其作为主要比较对象。此外,作者回避了对"条件交换性"假设在观测数据中是否成立的深入讨论,而是将重点放在"给定数据生成机制下,哪种估计量偏差更小"这一相对狭窄的问题上。
张力¶
未见明显的对立引用。但存在一个隐含张力:Hernán (2010) 和 Martinussen (2022) 主张风险比本身缺乏因果解释、应转向概率尺度,而 Beyersmann et al. (2025) 则辩护风险比在函数意义上具有因果解释。本文站在 Beyersmann 一侧,但将估计目标设定为概率尺度上的风险比(risk ratio),实际上是对两种立场的折中——既承认风险比的解释困难,又保留其在决策中的实用性。
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¶
符号(逐个点名):
- 状态空间:\(\mathcal{S} = \{(T_t, I_t, D_t) \in \{0,1\}^3\}\),共 8 个状态。\(T_t=1\) 表示已接受移植,\(I_t=1\) 表示已发生疾病进展,\(D_t=1\) 表示已死亡。\(D_t=1\) 的状态为吸收态。
- 状态索引:\(1=(0,0,0)\)(初始:无移植、无进展、存活),\(2=(0,1,0)\)(进展、无移植、存活),\(3=(0,0,1)\)(死亡),\(4=(0,1,1)\)(进展后死亡),\(5=(1,0,0)\)(移植、无进展、存活),\(6=(1,1,0)\)(移植后进展、存活),\(7=(1,0,1)\)(移植后无进展死亡),\(8=(1,1,1)\)(移植后进展死亡)。
- 转移强度:\(\lambda_{ij}(s,t)\),其中 \(s\) 为进入当前状态的时间(history index),\(t\) 为当前日历时间(研究时间)。\(\lambda_{ij}(s,t)\) 表示在时刻 \(t\) 从状态 \(i\) 转移到状态 \(j\) 的瞬时风险。
- 协变量:\(Z\) 为基线协变量向量(文中为两个二值预后因子,定义 4 个亚组)。
- 策略:\(I_{\text{int}}\) 表示"意向移植策略",即在基线时点计划在 \(\tau_{\text{int}}\) 时刻进行移植(若届时仍合格)。\(\tau_{\text{int}} \in \{1,3,6,9,12\}\) 个月(模拟中)或 \(\{1,2,3,6\}\) 个月(应用中)。
- 实际移植时间:\(t_T := \inf\{t \geq 0 : T_t = 1\}\)。
- 估计目标(estimand):\(\text{RR} = \frac{\Pr(t_D^{I_{\text{int}}} \leq t^*)}{\Pr(t_D^{I_\infty} \leq t^*)}\),即在 \(t^* = 36\) 个月内的死亡风险比,对比意向移植策略与纯化疗策略(\(I_\infty\),即 \(\tau_{\text{int}} = \infty\))。
- 可观测数据:对每个患者,观测到 \((Z_i, \{N_{i,ab}(t): (a,b) \in \mathcal{A}\}, Y_{i,a}(t))\),其中 \(N_{i,ab}(t)\) 是状态转移计数过程,\(Y_{i,a}(t) = \mathbb{I}\{X_i(t-) = a\}\) 是风险指示。数据以每月随访的离散格式记录,但事件时间在连续时间中生成。
模型:
- 真实数据生成机制:一个连续时间、有限状态空间的多状态过程,转移强度为 \(\lambda_{ij}(s,t)\)。三种规格:
- 时间非齐次 Markov:\(\lambda_{ij}(s,t) = \lambda_{ij}(t)\),仅依赖当前日历时间。
- 半 Markov:\(\lambda_{ij}(s,t) = h_{ij}(t-s)\),依赖状态内时间(时钟重置)。
- 状态到达扩展半 Markov:\(\lambda_{ij}(s,t) = \rho(s) h_{ij}(t-s)\),额外依赖状态到达时间 \(s\)。
- 比例风险结构:同一临床事件的转移强度在不同亚组间成比例,如 \(\lambda_{24}(s,t) = \delta \lambda_{13}(s,t)\),\(\delta = 2\) 表示进展后死亡风险翻倍。
- 移植效应:在有效应设定中,移植将死亡强度乘以 0.5(即 \(\lambda_{57} = 0.5 \lambda_{13}\) 或相应半 Markov 形式)。
可观测与不可观测的区分:研究者可观测到完整的中间事件历史(移植、进展、死亡的时间),但不可观测的是反事实世界——若同一患者未接受移植(或在不同时间接受移植)时的生存结局。因果估计需要从观测数据中推断这些反事实量。
第二步:最小内核¶
最小内核:考虑一个极度简化的两状态过程——"未移植存活"(状态 1)和"死亡"(状态 3),以及一个中间事件"移植"(状态 5)。忽略疾病进展,假设移植在 \(\tau_{\text{int}}\) 时刻计划进行,实际移植发生在 \(\tau_{\text{int}}\) 若患者届时仍存活。目标是比较意向移植策略与纯化疗策略的 36 个月死亡风险。
在这个简化设定下,核心数学问题是:时间依赖 Cox 模型估计的系数 \(\beta_T\) 是否等于真实的风险比 \(\lambda_{57}(t)/\lambda_{13}(t)\)?
为什么不一定相等:时间依赖 Cox 模型的风险集在时刻 \(t\) 包含所有存活且未移植的患者(状态 1)和所有已移植的患者(状态 5)。当移植后死亡风险在"移植后时间"上有一个尖峰(如围移植期风险),而在"研究时间"上这个尖峰被摊平到不同患者的日历时间上时,模型试图用一个共同的基线风险 \(h_0(t)\) 来拟合来自两个不同时间尺度的死亡过程。当时钟重置发生时,状态 5 的死亡风险是 \(t-t_T\) 的函数,而非 \(t\) 的函数,因此 \(\lambda_{57}(t)/\lambda_{13}(t)\) 不是常数,比例风险假设被违反。此时,\(\beta_T\) 收敛到一个"伪真值"(pseudo-true value),它是对时变风险比在观测风险集上的某种加权平均,而非任何时刻的真实因果风险比。
本文的核心洞察:多状态模型通过显式建模状态转移(包括状态内时间),可以正确捕捉时钟重置效应,从而在概率尺度上给出无偏的因果估计。而时间依赖 Cox 模型和 landmark 超模型,由于强制在单一时间尺度上建模,当不同状态的死亡强度不成比例时,必然产生系统性偏差。g-formula 虽然通过模拟完整轨迹避免了风险集选择问题,但其对离散时间间隔和模型形式的依赖引入了新的偏差来源。
为什么这个内核重要:它揭示了"不朽时间偏倚"不仅仅是分组问题(immortal time 的归属),更是一个时间尺度问题——当中间事件改变后续风险的时钟时,任何在单一时间尺度上池化风险的模型都会扭曲因果效应。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在观察性生存研究中,当治疗(异基因造血干细胞移植)启动存在延迟且受中间事件(疾病进展)影响时,常用的不朽时间偏倚修正方法(时间依赖 Cox 模型、landmark 超模型、g-formula)各自估计的是什么量?在非 Markov 疾病动态下,它们的偏差有多大、方向如何?
- 核心工具/方法:以多状态模型为统一框架,同时作为数据生成机制(模拟)和估计工具(多状态模型估计器),通过分解偏似然得分从理论上刻画单时间尺度模型的偏差来源,并通过阶段 III 模拟研究量化偏差。
- 主要结论:当死亡强度在不同起始状态上不成比例(如时钟重置)时,时间依赖 Cox 模型和 landmark 超模型会产生系统性偏差,方向取决于移植时间与风险动态的交互;g-formula 的偏差最大且方向不稳定;多状态模型在概率尺度上给出最接近理论值的估计,但依赖模型正确设定。
关键设定与假设¶
- 因果识别假设(第 2.2 节):
- 一致性(Consistency):观测到的结局等于策略 \(I_{\text{int}}\) 下的潜在结局。
- 条件交换性(Conditional exchangeability):给定基线协变量 \(Z\) 和状态历史,移植决策与潜在结局独立。
- ** positivity**:在 \(\tau_{\text{int}}\) 时刻,所有仍处于状态 1 的患者都有正的概率接受移植。
- 无未测量混杂:文中通过模拟设定保证该假设成立,但在应用部分讨论了其现实局限性。
- 模型假设:
- 多状态模型:转移强度 \(\lambda_{ij}(s,t)\) 的规格(Markov / 半 Markov / 状态到达扩展半 Markov)需正确设定。
- 时间依赖 Cox 模型:假设在共同时间尺度 \(t\) 上比例风险成立,即 \(\lambda_{57}(t)/\lambda_{13}(t)\) 为常数。
- g-formula:离散时间间隔足够短,且 pooled logistic 模型对转移概率的近似足够好。
- 相比已有工作的强化/弱化:相比 Prosepe et al. (2025) 的 illness-death 模型(仅含治疗延迟,无疾病进展作为竞争事件),本文强化了疾病动态的复杂性(加入进展作为竞争事件,且进展后移植不可行);相比 Hernán (2010) 和 Martinussen (2022) 对风险比因果解释的批判,本文弱化了识别问题的讨论,将重点放在"给定识别成立,哪种估计量偏差更小"。
主要结果¶
理论结果(第 4 节):
-
偏似然得分分解:作者将时间依赖 Cox 模型的偏似然得分分解为两部分:
\[U(\beta) = \sum_{(a,b) \in \mathcal{A}_D} \int_0^{t^*} \left[ Z_i(t) - \bar{Z}(\beta, t) \right] dN_{i,ab}(t)\]其中 \(\mathcal{A}_D = \{1 \to 3, 2 \to 4, 5 \to 7, 6 \to 8\}\)。通过将得分按起始状态 \(a\) 分解,他们证明:\[U(\beta) = \sum_{a \in \mathcal{L}} \int_0^{t^*} \left[ \bar{Z}_a(\beta, t) - \bar{Z}(\beta, t) \right] dN_{\cdot, a \to D}(t)\]其中 \(\bar{Z}_a(\beta, t)\) 是状态 \(a\) 内风险集的协变量均值。关键结论:当 \(\lambda_{57}(t)/\lambda_{13}(t)\) 不恒等于常数时,不存在 \(\beta_T\) 使得得分的期望为零对所有 \(t\) 成立;\(\hat{\beta}_T\) 收敛到使得分方程加权平均为零的伪真值,其具体值取决于风险集构成的时间动态。 -
比例条件的失效:作者证明,当时钟重置存在时(半 Markov 或状态到达扩展半 Markov),死亡强度 \(\lambda_{57}(t)\) 与 \(\lambda_{13}(t)\) 在共同时间尺度 \(t\) 上的比值通常不是常数,即使移植本身没有生物学效应(即 \(\lambda_{57} = \lambda_{13}\) 在状态内时间上成立)。这是因为 \(\lambda_{57}(t)\) 是"移植后时间"的函数,而 \(\lambda_{13}(t)\) 是"研究时间"的函数,两者的比值随 \(t\) 变化。这意味着时间依赖 Cox 模型即使在"无效应"的零假设下也可能产生非零的 \(\beta_T\)。
模拟结果(第 3 节,图 2,表 2):
- 无效应设定:在 Markov 过程中,时间依赖 Cox 模型和 landmark 超模型近似无偏(偏差 < 2%);g-formula 偏差约 -2% 至 -5%(偏向化疗)。在半 Markov 和状态到达扩展半 Markov 过程中,时间依赖 Cox 模型偏差达 +5% 至 +15%(偏向移植),landmark 超模型偏差 -3% 至 -8%(偏向化疗),g-formula 偏差 -8% 至 -15%。
- 有效应设定:所有估计量均低估移植的获益(即估计的 RR 高于真实 RR),但多状态模型的偏差最小(< 3%),时间依赖 Cox 模型偏差 +5% 至 +10%,landmark 超模型偏差 +3% 至 +8%,g-formula 偏差 +10% 至 +20%。
- 关键模式:偏差随 \(\tau_{\text{int}}\) 推迟而增大;在状态到达扩展半 Markov 设定下,g-formula 的偏差方向甚至可能反转(从偏向移植变为偏向化疗),取决于 \(\rho(s)\) 的形状。
应用(第 6 节,表 3-4):
- 使用 Gerstung et al. (2017) 公开的 1,540 例 AML 患者数据(三个前瞻性试验),分析意向移植策略 vs 化疗的 36 个月死亡风险。
- 在 Markov 设定下,四种估计器的 RR 估计值接近(0.72–0.75 在 \(\tau_{\text{int}}=1\) 月;0.81–0.83 在 \(\tau_{\text{int}}=6\) 月)。
- 在半 Markov 和状态到达扩展半 Markov 设定下,估计值发散:时间依赖 Cox 模型在 \(\tau_{\text{int}}=6\) 月时 RR 达 1.015(无获益),而多状态模型为 0.857–0.894(约 11–14% 风险降低)。g-formula 在 \(\tau_{\text{int}}=6\) 月时 RR 为 1.002(无获益)。
- 作者强调,这些结果不应被解读为临床效应估计,而是说明估计器的选择可以改变结论的定性方向。
证明路线与技术技巧¶
整体路线(第 4 节):
- 设定计数过程:定义 \(N_{i,ab}(t)\) 和 \(Y_{i,a}(t)\),写出转移强度的乘法形式(2)。
- 写出偏似然得分:对时间依赖 Cox 模型,写出得分 \(U(\beta)\) 如 (5)。
- 按起始状态分解得分:利用 \(Y_i(t) = \sum_{a \in \mathcal{L}} Y_{i,a}(t)\),将得分分解为各状态贡献之和。
- 计算得分的期望:在真实数据生成机制下,利用鞅理论计算 \(E[U(\beta)]\) 的表达式,得到 (9) 中的两项:状态内得分(第一项)和状态间对比得分(第二项)。
- 证明伪真值的存在性:当 (10) 不成立时,不存在 \(\beta\) 使 \(E[U(\beta)] = 0\) 对所有 \(t\) 成立;\(\hat{\beta}\) 收敛到使得分方程在加权平均意义下为零的值。
- 与多状态模型对比:多状态模型通过分层估计各转移强度,避免了状态间池化,因此在正确设定下无偏。
关键技巧:
- 鞅中心极限定理:用于推导得分的渐近分布和伪真值的收敛性。
- 偏似然得分的代数分解:将得分分解为状态内和状态间两部分,使得偏差来源可解释。
- 模拟-校准:模拟参数基于 Gerstung et al. (2017) 的真实数据拟合,而非任意设定,增强了结果的可信度。
🔎 结论是否比证明窄¶
- 明确证明:时间依赖 Cox 模型在时钟重置下的偏差来源(第 4 节);多状态模型在正确设定下的无偏性(第 2.2 节)。
- 模拟验证:偏差的大小和方向(第 3 节)。
- 未证明但被泛化:作者在讨论中声称"多状态模型是处理不朽时间偏倚的通用框架",但该结论仅在模拟设定的转移强度形式下得到验证。对于更一般的非 Markov 过程(如状态到达时间依赖的连续函数而非分段常数),多状态模型的估计性质未被证明。此外,作者在应用部分将半 Markov 和状态到达扩展半 Markov 设定下的多状态模型估计值解释为"最可信",但未提供任何理论依据说明为何真实过程应服从这些设定。
- 被回避的问题:当条件交换性不成立时(即存在未测量混杂),多状态模型是否仍然优于其他方法?作者仅在讨论中提及"需要进一步研究",未给出任何分析或模拟。
四、开放问题¶
-
未测量混杂下的表现:本文的所有结论都在"给定 \(Z\) 无未测量混杂"的假设下成立。当存在未测量的预后因素同时影响移植决策和死亡风险时,多状态模型的偏差如何?是否可以通过敏感性分析框架(如 E-value)来量化?(扎根于第 2.2 节的识别假设和第 6 节对条件交换性局限性的讨论。)
-
更一般的非 Markov 动力学:本文考虑的状态到达扩展半 Markov 设定中,\(\rho(s)\) 是到达时间的确定性函数。对于更一般的非 Markov 过程(如死亡强度依赖完整历史而非仅当前状态和到达时间),多状态模型的估计是否仍然一致?需要什么条件?(扎根于第 4 节中 (10) 的证明仅覆盖了比例形式。)
-
模型选择与诊断:文中建议使用图 3 的图形诊断来评估时间尺度假设,但未提供正式的检验统计量。能否构造一个检验"时钟重置是否发生"的假设检验,并分析其功效?(扎根于第 6 节对图 3 的描述:"这些观察结果支持时钟重置而非 Markov 设定"。)
-
高维协变量下的扩展:本文仅使用两个二值协变量。当协变量维度升高时,多状态模型的转移强度估计面临维度灾难,能否借鉴高维 Cox 模型的正则化方法(如 LASSO)?其因果解释是否保持?(扎根于第 2.1 节对 \(Z\) 的设定。)
-
与克隆-删失-加权方法的比较:本文未将克隆-删失-加权(clone-censor-weight, CCW)方法纳入比较。CCW 方法在治疗策略定义上更为灵活(可处理"治疗切换"等复杂策略),且不依赖 Markov 假设。在何种条件下 CCW 优于多状态模型?(扎根于第 2.3 节对估计器的选择,作者仅比较了四种方法,未提及 CCW。)
给研究者的提示:若要确认上述某条是否为真 gap,建议去读近 5 年 Statistics in Medicine、Biometrics、Lifetime Data Analysis 上关于"目标试验模拟 + 生存分析"的论文(如 Prosepe et al. 2025 的后续工作、CCW 方法的近期应用)。若多篇论文都指向"未测量混杂下的多状态模型"这一缺口,则可能是共识性 gap;若各论文对"哪种方法最优"结论不一,则可能是机会更大的争议点。
Maintained by 陈星宇 · Homepage · Source on GitHub