跳转至

Cause-specific structural nested cumulative survival time models for competing risks, with application to the Antibody Mediated Prevention trials

作者: Yuxiao Li, Yuhao Deng, Bo Zhang
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2611.11008


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因果生存分析,其根本科学问题是:在存在时变治疗(time-varying treatment)和竞争风险(competing risks)的纵向随访数据中,如何识别并估计治疗对特定原因事件(cause-specific event)的因果效应。该方向的核心统计挑战在于:(1) 时变治疗与事件时间之间可能存在随时间变化的混杂(time-varying confounding),即过去的治疗影响当前的混杂因素,而当前的混杂因素又影响未来的治疗和结局;(2) 竞争风险的存在使得"治疗对某一特定原因事件的影响"不能简单地用单一终点生存分析来处理,因为竞争事件会"移除"个体,改变风险集。该方向的成熟度处于方法发展中期:已有针对无竞争风险情形的SNCSTM(Seaman et al., 2020; Ying & Tchetgen Tchetgen, 2023; Michiels et al., 2025),但竞争风险下的推广尚属空白。

发展脉络

  • 奠基工作:Robins (2005) 提出结构嵌套失效时间模型(SNFTM)和结构嵌套累积生存时间模型(SNCSTM)的理论框架,将"blip-down"思想引入生存分析——通过递归地"剥离"治疗效应来恢复无治疗的反事实生存分布。这是本文的直接理论源头。
  • 主要进展:Seaman et al. (2020) 将SNCSTM推广到时变治疗和时变混杂的设定,并建立了与Aalen加性风险模型的联系;Ying & Tchetgen Tchetgen (2023) 进一步引入工具变量(IV)识别策略,处理治疗依从性(treatment compliance)中的未测量混杂;Michiels et al. (2025) 在随机试验的依从性设定下发展了类似方法。这些工作构成了本文的直接前驱。
  • 当前frontier:上述工作均未处理竞争风险。在竞争风险框架下,Fine & Gray (1999) 的子分布风险(subdistribution hazard)模型是描述性(descriptive)工具,但缺乏因果解释。本文的贡献在于将SNCSTM推广到竞争风险设定,并建立了与Fine-Gray模型的因果联系。
  • 本文的位置:本文是竞争风险 × SNCSTM 的首次结合。它填补了"因果生存模型在竞争风险下的识别与估计"这一空白,并提供了两种互补的识别策略(SI和IV)。

子线索聚类

被引文献大致落在三条子线索上:

  1. 结构嵌套模型(SNM)家族:Robins (2005)、Seaman et al. (2020)、Ying & Tchetgen Tchetgen (2023)、Michiels et al. (2025)。这一簇的核心是"blip-down"思想——通过假设治疗对结局的效应可以用一个参数化的"blip函数"描述,递归地剥离治疗效应,从而识别反事实分布。SNCSTM是这一家族中针对累积生存/子分布函数的变体。
  2. 竞争风险模型:Fine & Gray (1999) 的子分布风险模型是描述性工具,用于刻画特定原因事件的累积发生率(CIF)。这一簇的局限在于缺乏因果解释,且对时变治疗的处理不自然。
  3. 工具变量与依从性分析:Ying & Tchetgen Tchetgen (2023)、Michiels et al. (2025) 代表这一线索,利用随机化作为工具变量,处理治疗依从性中的未测量混杂。本文的IV框架直接继承这一思路。

这个方向在追问的核心问题

  1. 识别问题:在竞争风险下,时变治疗的因果效应能否从观测数据中识别?需要哪些假设(序贯可忽略性 vs. 工具变量)?
  2. 估计问题:如何构造一致且渐近正态的估计量?如何估计方差(尤其是当nuisance函数被估计时)?
  3. 解释问题:因果效应参数如何与现有的描述性工具(如Fine-Gray模型)联系起来?如何将估计的效应转化为可解释的反事实累积发生率曲线?

⚠️ 作者的 framing

这是作者的说法:作者将缺口frame成"SNCSTM尚未推广到竞争风险设定",并声称"我们证明了cause-specific SNCSTM与Fine-Gray子分布风险模型的紧密联系"。作者将两种识别框架(SI和IV)并列,暗示它们是互补的:SI适用于治疗与随机分配不同的场景(如AMP中的口服PrEP),IV适用于治疗代表对随机分配依从性的场景(如AMP中的VHRC01输注)。作者淡化了两种框架之间的张力——例如,IV框架需要额外的排他性假设(exclusion restriction),而SI框架需要无未测量混杂,这两者在实际中可能同时不成立。

张力

未见明显对立引用。但值得注意的是,Seaman et al. (2020) 和 Ying & Tchetgen Tchetgen (2023) 在无竞争风险设定下对SNCSTM的识别条件略有不同(前者强调序贯可忽略性,后者强调IV),本文试图将两者统一到竞争风险框架下,但并未讨论两种假设同时不成立时的鲁棒性。


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:

  • 个体:\(i = 1, \dots, n\),i.i.d.。
  • 时间:\(t \in [0, \tau]\),\(\tau\) 为随访终点。治疗在离散时间点 \(0 = t_1 < t_2 < \cdots < t_{K+1} = \tau\) 被测量。
  • 治疗:\(D_i(t) \in \mathbb{R}\) 为时间 \(t\) 的治疗剂量(或二元指示),\(D_{i,k} = D_i(t_k)\)。治疗历史 \(\bar{D}_{i,k} = \{D_{i,1}, \dots, D_{i,k}\}\)。
  • 事件:\(V_i \in \{1, \dots, J\}\) 为事件类型,\(\tilde{T}_i\) 为事件发生时间。若 \(V_i = j\),则 \(\tilde{T}_i\) 是类型 \(j\) 事件的发生时间。
  • 删失:\(C_i\) 为删失时间,\(T_i = \min\{\tilde{T}_i, C_i\}\) 为观测时间,\(\Delta_i = 1\{\tilde{T}_i \le C_i\}\) 为事件指示。
  • 协变量:\(L_i\) 为基线协变量(向量),\(Z_i\) 为随机化分配(如AMP中的VHRC01 vs 安慰剂)。
  • 潜在结果:\(\tilde{T}(z, \bar{d}_k, \bar{0})\) 表示在分配 \(Z = z\)、治疗历史 \(\bar{D}_k = \bar{d}_k\)(截至 \(t_k\))且此后无治疗(\(\bar{0}\))时的潜在事件时间。\(V(z, \bar{d}_k, \bar{0})\) 为对应的潜在事件类型。
  • 计数过程:\(N_j(t) = 1\{\tilde{T} \le t, V = j\}\) 为类型 \(j\) 事件的计数过程;\(Y_j(t) = 1 - N_j(t-)\) 为类型 \(j\) 事件的"子分布风险指示"(即尚未发生类型 \(j\) 事件,无论是否已发生其他类型事件)。
  • 子分布风险:\(\lambda_j(t) = \lim_{dt \to 0} P(t \le \tilde{T} < t+dt, V = j \mid \tilde{T} \ge t \text{ or } (\tilde{T} < t, V \ne j)) / dt\),即Fine-Gray子分布风险。
  • 累积子分布风险:\(\Lambda_j(t) = \int_0^t \lambda_j(s) ds\)。
  • 因果参数:\(B_D(t)\) 为治疗对子分布风险的累积效应(blip函数),即治疗剂量 \(D\) 对类型 \(j\) 事件子分布风险的加性效应。模型假设:在 \([t_k, t_{k+1})\) 内,治疗 \(D_k\) 对子分布风险的效应为 \(D_k dB_D(t)\)。

模型(cause-specific SNCSTM,方程2.4):

对于 \(t \in [t_k, t_{k+1})\),在给定 \(\bar{D}_k, Z, L, \tilde{T} \ge t_k\) 的条件下,

\[\frac{P(\tilde{T}(Z, \bar{D}_k, \bar{0}) \ge t \mid \bar{D}_k, Z, L, \tilde{T} \ge t_k)}{P(\tilde{T}(Z, \bar{D}_{k-1}, \bar{0}) \ge t \mid \bar{D}_k, Z, L, \tilde{T} \ge t_k)} = \exp\left\{-\int_{t_k}^{t \wedge t_{k+1}} D_k dB_D(s)\right\}.\]

可观测数据:\(\{(T_i, \Delta_i, \Delta_i V_i, \bar{D}_i(T_i), Z_i, L_i) : i = 1, \dots, n\}\),其中 \(\bar{D}_i(T_i)\) 为截至事件/删失时间的治疗历史。

关键区分:

  • 可观测:\(T_i, \Delta_i, \Delta_i V_i, \bar{D}_i(T_i), Z_i, L_i\)。
  • 不可观测(潜在):\(\tilde{T}_i(z, \bar{d}_k, \bar{0})\) 对所有 \(z, \bar{d}_k\);特别是无治疗反事实 \(\tilde{T}_i(Z, \bar{0})\)。
  • 要估计的:\(B_D(t)\)(因果效应),以及反事实累积发生率 \(F_1(t) = P(\tilde{T}(Z, \bar{0}) \le t, V(Z, \bar{0}) = 1)\)。

第二步:最小内核

最小内核:考虑最简单的两期情形:\(K = 1\),即只有一个治疗决策点 \(t_1 = 0\),治疗 \(D_1 \in \{0, 1\}\) 在基线时决定,此后无治疗。无删失(\(C = \infty\))。只有两种事件:类型1(感兴趣)和类型2(竞争)。目标是估计 \(B_D(t)\) 对 \(t \in [0, t_2)\) 的效应。

模型退化:方程(2.4)简化为

\[\frac{P(\tilde{T}(Z, 1, 0) \ge t \mid D_1 = 1, Z, L, \tilde{T} \ge 0)}{P(\tilde{T}(Z, 0, 0) \ge t \mid D_1 = 1, Z, L, \tilde{T} \ge 0)} = \exp\left\{-\int_0^t dB_D(s)\right\} = \exp\{-B_D(t)\}.\]

识别:在序贯可忽略性(SI)下,\(D_1 \perp \tilde{T}(Z, 0, 0) \mid L\)(即给定基线协变量,治疗决策与无治疗反事实独立),我们有

\[P(\tilde{T}(Z, 0, 0) \ge t) = E\left[\frac{P(\tilde{T} \ge t, V = 1 \mid D_1 = 0, L)}{P(\tilde{T} \ge t \mid D_1 = 0, L)} \cdot \frac{P(\tilde{T} \ge t \mid D_1 = 0, L)}{P(\tilde{T} \ge t \mid L)} \cdot P(\tilde{T} \ge t \mid L)\right]\]

但更直接地,blip-down思想是:对每个个体,将观测到的类型1事件时间"blip down"到无治疗情形。具体地,若个体在 \(t\) 时刻发生类型1事件且 \(D_1 = 1\),则其无治疗反事实事件时间 \(\tilde{T}(Z, 0, 0)\) 满足

\[P(\tilde{T}(Z, 0, 0) \ge t \mid D_1 = 1, L) = \exp\{B_D(t)\} \cdot P(\tilde{T}(Z, 1, 0) \ge t \mid D_1 = 1, L).\]

估计:通过解矩条件(3.5)(SI情形)或(4.1)(IV情形),可以得到 \(B_D(t)\) 的闭式解(Proposition 3.2和4.1)。核心思想是:在事件发生时刻,比较治疗组与对照组的子分布风险差异,并用IPCW处理删失。

为什么这个内核是"最小"的:它剥离了时变治疗(\(K > 1\))、删失、多个竞争事件等复杂性,只保留竞争风险下因果效应识别的核心矛盾——即如何从观测到的子分布风险差异中分离出因果效应。一旦理解了 \(K=1\) 的情形,\(K > 1\) 的推广只是递归地应用blip-down。

数学上最难的点:证明估计量的渐近性质(Proposition 3.3和3.4)。关键在于处理nuisance函数(倾向得分、删失分布)的估计误差,以及blip-down过程的递归结构。作者使用经验过程理论和Volterra积分方程来建立一致性和弱收敛,这需要精细的熵条件和技术条件(如A.1-A.8)。

三、这篇论文做了什么

三句话

  1. 研究了什么问题:在竞争风险框架下,如何识别和估计时变治疗对特定原因事件的因果效应,并估计反事实的特定原因累积发生率。
  2. 核心工具/方法:将SNCSTM推广到cause-specific版本,建立与Fine-Gray子分布风险模型的联系;在序贯可忽略性(SI)和工具变量(IV)两种识别框架下,分别构造矩条件,并基于IPCW和g-estimation提出估计量。
  3. 主要结论:两种框架下均得到一致且渐近正态的估计量;模拟显示有限样本性能良好;应用于AMP试验,估计出口服PrEP和VHRC01输注对敏感/不敏感HIV-1毒株感染的效应,并给出无PrEP和完全依从VHRC01方案下的反事实累积发生率曲线。

关键设定与假设

  • SI框架(Section 3):
  • Assumption 3.1(序贯可忽略性):在给定治疗历史和基线协变量的条件下,当前治疗决策与未来潜在结局独立。这比无未测量混杂更强,因为它要求所有时变混杂都被观测到。
  • Assumption 3.2(条件独立删失):删失时间与事件过程独立,给定基线协变量。这允许删失依赖于基线特征,但不允许依赖于时变治疗或事件历史。
  • 模型假设:方程(2.4)的blip函数形式正确,且 \(B_D(t)\) 连续。

  • IV框架(Section 4):

  • Assumption 4.1(IV相关性):随机化 \(Z\) 与治疗 \(D_k\) 相关。
  • Assumption 4.2(排他性):\(Z\) 对结局无直接效应,仅通过 \(D_k\) 起作用。
  • Assumption 4.3(IV独立性):\(Z\) 与潜在结局独立,给定 \(L\)。
  • Assumption 4.4(条件独立删失):同Assumption 3.2,但额外要求删失与 \(Z\) 独立(给定 \(L\))。

  • 相比已有工作的变化:

  • 相比Seaman et al. (2020)(无竞争风险),本文引入了子分布风险框架,允许竞争事件。
  • 相比Ying & Tchetgen Tchetgen (2023)(无竞争风险、IV),本文同样推广到竞争风险。
  • 相比Fine & Gray (1999)(描述性),本文赋予子分布风险模型因果解释。

主要结果

  • 理论结果:
  • Proposition 3.1:SI框架下,矩条件(3.3)中的残差项等于可观测的treatment residual,从而矩条件仅依赖可观测数据。
  • Proposition 3.2:SI框架下,\(A_k(t) = \int_{t_k}^t dB_D(s)\) 有闭式解,形式为累积残差的加权平均。
  • Proposition 3.3:\(\hat{B}_D(t)\) 一致收敛到 \(B_D(t)\)。
  • Proposition 3.4:\(\sqrt{n}(\hat{B}_D(t) - B_D(t))\) 弱收敛到零均值高斯过程,方差可由影响函数一致估计。
  • Theorem 4.1:IV框架下,矩条件(4.1)成立。
  • Proposition 4.1:IV框架下,\(B_D(t)\) 有闭式解。
  • Proposition 4.2/4.3:IV估计量的一致性和渐近正态性。
  • Theorem 5.1:反事实累积发生率 \(F_1(t)\) 可由blip-down后的数据估计。

  • 证明路线:

  • 矩条件推导:从SNCSTM模型(2.4)出发,利用blip-down思想,将潜在结局的分布与可观测数据联系起来。
  • 闭式解:通过解矩条件,得到 \(B_D(t)\) 的显式表达式(Proposition 3.2/4.1)。
  • 一致性和弱收敛:使用经验过程理论(van der Vaart, 2000)证明nuisance函数估计的一致性和渐近线性。关键步骤是证明估计方程是渐近可忽略的(asymptotically negligible),然后利用Volterra积分方程的结构建立弱收敛。
  • 影响函数:通过递归更新影响函数,得到方差估计。

  • 模拟结果:

  • 事件率 \(r \in \{7\%, 15\%, 30\%, 60\%\}\),样本量 \(n \in \{1000, 5000, 10000\}\)。
  • SI和IV两种设置下,相对偏差均小于1%(多数情形),SE估计与MCSD匹配良好,95%覆盖率接近名义水平。
  • IV设置下的偏差略大于SI设置(如 \(n=1000\) 时,IV的偏差可达2.5%),但随 \(n\) 增大而减小。

  • 真实数据例子:AMP试验(HVTN 704/HPTN 085),估计口服PrEP和VHRC01输注对VHRC01敏感/不敏感毒株感染的效应。结果显示:

  • 口服PrEP对两种毒株均有保护效应(\(B_D(t) < 0\)),对不敏感毒株的效应更明显。
  • VHRC01输注对敏感毒株有保护效应,对不敏感毒株效应接近零。
  • 反事实累积发生率曲线显示,无PrEP情形下敏感毒株的累积发生率高于有PrEP情形。

🔎 结论是否比证明窄

  • 是的,存在明显的"证明窄于结论"之处:
  • Proposition 3.3/3.4和4.2/4.3 的证明依赖于一系列正则条件(A.1-A.8),但论文正文并未明确列出这些条件,而是放在补充材料中。正文中的表述("under the regularity conditions in Supplemental Material")使得读者难以判断这些条件的实际强度。
  • Theorem 5.1 的证明假设了blip函数 \(B_D(t)\) 的连续性,但并未讨论 \(B_D(t)\) 不连续(如跳跃)时的情形。实际应用中,治疗效应可能在某个时间点突然变化。
  • IV框架 的证明假设 \(Z\) 是二值的(或至少是离散的),但正文并未明确说明。如果 \(Z\) 是连续的,矩条件(4.1)的识别力可能减弱。
  • 模拟 只覆盖了 \(K=3\) 个治疗区间,未测试 \(K\) 较大(如 \(K=10\),与AMP应用一致)时的有限样本性能。AMP应用中 \(K=10\),但模拟中 \(K=3\),这暗示作者可能知道 \(K\) 较大时性能会下降。
  • 真实数据例子 中,作者估计了 \(B_D(t)\) 但未报告置信区间宽度或假设检验结果,只给出了点估计和反事实曲线。这使得读者难以判断效应的统计显著性。

四、开放问题

  1. 效率问题:本文提出的估计量是否达到半参数效率界?作者未讨论效率问题。考虑到SI和IV框架下的矩条件可能不是高效的,一个自然的开放问题是:能否构造出达到半参数效率界的估计量(例如通过估计最优权重函数)?这扎根于Proposition 3.2和4.1的闭式解形式——它们使用了特定的权重函数,但未必是最优的。

  2. 模型误设定:blip函数 \(B_D(t)\) 的参数形式(如 \(B_D(t) = \beta t\))假设是否正确?作者在模拟中使用了正确的模型,但真实数据中blip函数可能更复杂。开放问题:如何检验blip函数的参数形式?能否发展非参数或高维的blip函数估计方法?

  3. 时变删失:Assumption 3.2/4.4要求删失与事件过程独立(给定基线协变量),但实际中删失可能依赖于时变治疗或事件历史。开放问题:如何放松这一假设,允许删失依赖于时变协变量?

  4. 多个治疗决策点:当 \(K\) 较大时(如AMP中的 \(K=10\)),估计量的有限样本性能如何?作者在模拟中只测试了 \(K=3\)。开放问题:\(K\) 增大时,偏差和方差如何变化?是否存在"curse of dimensionality"?

  5. 竞争事件的处理:本文只关注类型1事件的子分布风险,但竞争事件(类型2)的处理本身可能也是研究者感兴趣的。开放问题:如何同时建模多个竞争事件的因果效应?如何定义和估计"治疗对竞争事件的影响"?

  6. 敏感性分析:SI框架下的序贯可忽略性假设无法从数据中检验。开放问题:能否发展针对时变治疗和竞争风险的敏感性分析方法,量化未测量混杂对结论的影响?


提醒:要确认上述开放问题是否是真gap,建议去读同一子方向近期约5篇论文的引言(例如Seaman et al. 2020, Ying & Tchetgen Tchetgen 2023, Michiels et al. 2025, 以及竞争风险因果推断方向的近期工作)。如果多篇论文的引言都指向同一个问题,那很可能是共识性的真gap;如果各篇论文对同一问题的处理方式互相矛盾,那可能是一个更有意思的机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论