跳转至

AJE — Vol 195 Issue 2 · 2026-06-24

  • 共 19 篇 · American Journal of Epidemiology
  • 目录核对 ⚠️ 疑似漏 12 篇（对照 OpenAlex 31 篇）：10.1093/aje/kwaf051、10.1093/aje/kwaf061、10.1093/aje/kwaf058、10.1093/aje/kwaf068、10.1093/aje/kwaf192 等

本期导览

自动生成：归纳本期主要主题与脉络，不打分、不排名。

这一期《美国流行病学杂志》（AJE）第195卷第2期的19篇论文整体围绕流行病学因果效应估计中的方法学挑战与应用展开，可从三条主线归类。第一条是因果识别中的偏差来源与处理：涉及缺失数据（Using directed acyclic graphs to determine whether multiple imputation...）、时间零点指定（Impact of time zero designation on estimated COVID-19 antiviral effectiveness...）、结局错分类（Potential for extreme bias due to outcome misclassification...）以及暴露测量误差（Enhancing COVID-19 vaccine effectiveness...、Identifying observable medication use time...）对效应估计的影响。第二条是多重暴露与混合效应估计：多篇应用采用quantile G-computation来估计多种暴露（如空气污染物、结构性种族主义指标、社会暴露组）的联合效应（Applying mixtures methodology...、Combined effects of ambient air pollution...、Independent and joint associations of key social exposome components...）。第三条是生命历程与中介分析：使用多通道序列分析、增长混合模型、结构方程模型等方法刻画工作-家庭轨迹、BMI轨迹等，并评估其对晚年认知、死亡率等的影响（Staying sharp...、Pre-diagnostic body mass index trajectories...、The “long arm of childhood”...）。此外，还有一篇目标试验模拟框架的公共卫生干预评估（Combining target trial emulation and qualitative research...）以及一个效应估计模拟工具REFINE2。

在偏差来源这条主线上，多篇论文系统剖析了不同场景下偏差的机制与校正策略。Using directed acyclic graphs... 提出基于DAG的实用算法，帮助研究者在多变量缺失时判断多重插补能否无偏估计暴露-结局关联，直接链接了因果图中的条件独立性与缺失机制。Impact of time zero designation... 通过五种时间零点设定展示了同一数据下效应估计的显著差异，凸显时间相关偏倚在药品有效性研究中的关键性。Potential for extreme bias due to outcome misclassification... 则通过Monte Carlo模拟揭示了在罕见时间-事件结局中，错分类对相对效应量的极端偏倚，而绝对指标更为稳健。这三篇共同指向了因果推断中“识别假设的敏感性”这一核心问题。

多重暴露与混合效应估计是本期另一突出主线，quantile G-computation作为核心工具反复出现。Applying mixtures methodology... 将其用于结构性种族主义和经济劣势的联合效应，估计所有暴露同时增加一个四分位数对围产期结局的综合影响；Combined effects of ambient air pollution... 则在其中加入生物衰老作为中介变量，用因果中介分析量化中介比例；Independent and joint associations... 同样使用quantile G-computation量化社会暴露组对认知功能的联合贡献。这些应用展示了该工具在混合暴露场景下的灵活性，也暴露了其对线性假设的依赖——当存在非线性或交互时，方法性能需谨慎评估。与之互补的是REFINE2模拟工具，允许用户自定义数据生成机制，在残差混杂、虚假协变量等场景下比较标准回归、双重稳健高效估计量与机器学习方法的偏差与覆盖，为方法选择提供实证依据。

对于关注因果推断的研究者，最贴近识别策略的论文有：Using directed acyclic graphs...（将DAG与缺失机制图形化结合）、Combining target trial emulation and qualitative research...（明确设定目标试验并辅以定性理解分配过程）以及Impact of time zero designation...（时间零点作为因果结构关键节点）。此外，REFINE2模拟工具对理解不同估计量在有限样本中的表现具有直接参考价值，而Potential for extreme bias due to outcome misclassification... 对效应量选择（相对 vs 绝对）提供了重要警示。

因果推断 (causal_inference, 1 篇)

1. 10.1093/aje/kwaf207 — Combining target trial emulation and qualitative research to understand the effect of health visiting on child hospital admissions in England

  • 作者: Catherine Bunting, Amanda Clery, Rebecca Cassidy, Eirini-Christina Saloniki, Sally Kendall, Louise Mc Grath-Lone et al.
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Great Ormond Street Hospital · London School of Hygiene & Tropical Medicine · University College London · University of Kent · Center for Global Health · Psychiatry Research Trust
  • 分类: vol 195 · issue 2 · pp 577-586
  • 相关性 7/10 · novelty: application
  • 摘要: 本研究采用目标试验模拟（target trial emulation）框架，利用2016-2019年英格兰10个地区的常规管理数据，估计健康访视（health visiting）服务对儿童可避免住院率的因果效应。明确设定了目标试验的纳入标准、治疗分配、随访和结局，通过逻辑回归调整混杂变量，并计算了倾向性评分加权或直接调整后的比值比。增强的早期访视与可避免住院风险增加相关（OR=1.28, 95% CI 1.02-1.60）。结合定性访谈了解访视分配过程，并进行了多种敏感性分析，结果表明估计值可能受到残留混杂和选择偏倚的影响。这项应用展示了复杂公共卫生干预中，定性研究与定量因果推断相结合来评估识别假设合理性的实用路径。对于在流行病学中从事因果推断的研究者，本论文提供了一个如何将目标试验模拟落地到真实数据、并诊断偏倚来源的完整案例。
  • 关键技术: target trial emulation, sensitivity analysis, propensity score adjustment, qualitative research, residual confounding, selection bias
  • 为什么对您有用: 直接连接到您在因果推断中关于识别策略（目标试验模拟）和敏感性分析的兴趣，同时也属于流行病学应用。您可用 very_familiar 的 estimation theory in causal inference 来审视其估计量的构造和稳健性，或用 moderately_familiar 的 identification theory 评估其混杂控制的可信度。本文的 follow-up 属于立即可做——基于您对因果推断的熟悉程度，可以快速理解并复现其分析流程，甚至尝试用 HOIF 或 DML 替代其简单逻辑回归来改善估计效率。

流行病学 (epidemiology, 18 篇)

1. 10.1093/aje/kwaf265 · arXiv — Using directed acyclic graphs to determine whether multiple imputation or subsample-multiple imputation estimates of an exposure-outcome association are unbiased

  • 作者: Paul Madley-Dowd, Rachael A Hughes, Maya B Mathur, Jon Heron, Kate Tilling
  • 期刊/来源: American Journal of Epidemiology
  • 分类: vol 195 · issue 2 · pp 505-514
  • 相关性 8/10 · novelty: application
  • 摘要: 本文针对流行病学研究中多个变量缺失时多重插补（MI）的偏差问题，提出了一种基于有向无环图（DAG）的实用算法。该算法帮助研究者判断在数据随机缺失（MAR）假设下，MI 或子样本-MI（仅对部分变量插补）是否能无偏估计暴露-结局关联系数。作者将 MAR 的图形化条件用 DAG 表述，避免了传统定义对应用研究者不直观的缺点。文章通过简单示例和一个真实复杂例子（仅对结局变量进行子样本-MI 才有效）演示了算法操作。该方法填补了多变量缺失时 MI 应用指南的空白，为流行病学实践提供了可操作的工具。进一步工作可关注偏差大小、方向及不同缺失模式的影响。对您而言，本文连接了因果推断中的 DAG 工具与缺失数据处理，是流行病学应用的一个实用入口，可补充您对识别理论的兴趣。
  • 关键技术: directed acyclic graphs (DAGs), multiple imputation (MI), subsample-multiple imputation, missing at random (MAR), graphical model-based conditions
  • 为什么对您有用: 本文属于流行病学应用方向，直接切入缺失数据下的因果效应估计问题。研究者可以用自己非常熟悉的‘非参数统计’和‘估计理论’来验证算法中无偏性条件的数学严谨性，并进一步思考如何将 DAG 条件与半参数效率理论结合。作为入门读物，本文算法简单明了，武器库完全足够支撑理解，值得花时间通读全文以获取实际问题场景。

2. 10.1093/aje/kwaf221 — Impact of time zero designation on estimated COVID-19 antiviral effectiveness in observational studies

  • 作者: Kristina L Bajema, Lei Yan, Kristin Berry, David Bui, Hung-Mo Lin, Yuan Huang et al.
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Oregon Health & Science University · VA Portland Health Care System · Veterans Health Administration · Yale University · Department of Veterans Affairs · VA Puget Sound Health Care System · Duke University · Durham VA Medical Center 等
  • 分类: vol 195 · issue 2 · pp 562-568
  • 相关性 8/10 · novelty: application
  • 摘要: 本文研究观察性研究中时间零点指定对COVID-19抗病毒药物nirmatrelvir-ritonavir有效性估计的影响。利用美国退伍军人数据，比较五种时间零点方法：检测日期匹配并允许0-5天用药窗口（1a）、仅第0天用药匹配（1b）、克隆删失权重方法（1c）、治疗日期与检测日期匹配（2）、治疗日期与匹配日期（3）。所有方法均显示治疗组30天住院/死亡风险降低，但风险差异估计值不同：方法1a、1b、2约为-2%，方法3为-1.8%，方法1c最低为-0.95%。结论强调时间零点选择可显著影响效果估计，需在药流病研究设计中谨慎处理。本文作为流行病学入门读物，清晰展示了时间相关偏倚的来源与操作差异，对统计学者理解因果推断中的实际细节有教学价值。
  • 关键技术: time zero designation, clone-censor-weight method, matching, risk difference, observational study design, pharmacoepidemiology
  • 为什么对您有用: 本文属于流行病学应用，直接对应研究者的secondary interest中流行病学数据及因果推断方向。作为gateway-reading，它清晰展示了观察性研究中时间零点设定的关键作用，适合不了解流行病学操作的统计学者入门。研究者掌握的因果推断识别理论（如identification theory in causal inference）可直接用于批判分析不同时间零点的识别假设与偏倚来源。该文方法学对比简明，值得花时间读全文以熟悉常见实操偏差案例。

3. 10.1093/aje/kwaf195 — REFINE2: a simplified simulation tool to help epidemiologists evaluate the suitability and sensitivity of effect estimation within user-specified data

  • 作者: Xiang Meng, Jonathan Y Huang
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Harvard University · Cancer Research And Biostatistics · Dana-Farber Cancer Institute · University of Hawaiʻi at Mānoa · Department of Public Health · Duke-NUS Medical School
  • 分类: vol 195 · issue 2 · pp 533-542
  • 相关性 8/10 · novelty: application
  • 摘要: 本文介绍 REFINE2，一个基于 R Shiny 的离线模拟工具，旨在帮助流行病学家在自己数据背景下比较不同效应估计方法的性能。工具采用 plasmode 模拟生成一个合理的平均处理效应（ATE）目标值，然后允许用户指定模型并评估偏差和置信区间覆盖。支持的估计方法包括标准回归、双重稳健高效估计量与数据自适应算法（如机器学习）。作者通过三个典型场景（残差混杂、虚假协变量、效应修饰错误设定）展示工具如何使用，发现最佳方法因场景而异，且在残差混杂下所有方法均不理想。REFINE2 作为实用工具，帮助研究者理解不同方法在有限样本中的实际表现，特别是对因果推断中的敏感性分析有直接参考价值。对于您作为因果推断研究者，这款工具可用于快速验证您所关注的估计方法（如 DR 估计量、TMLE）在真实数据模拟中的表现，是连接因果推断理论与流行病学应用的桥梁。
  • 关键技术: plasmode simulation, doubly-robust estimation, average treatment effect (ATE), coverage assessment, user-specified model comparison, Shiny app
  • 为什么对您有用: 本文直接匹配您的 secondary interest 中的流行病学应用子方向：为流行病学家提供因果效应估计的仿真比较工具。您可用自身非常熟悉的估计理论（如 double machine learning、 efficient influence function）来审视该工具的模拟设计是否合理，例如其目标 ATE 的生成机制是否引入了额外偏差。从 follow-up 角度看，这是立即可做的工作：您完全有能力基于该框架改进或扩展——例如添加您自己的更高阶 U-统计量或正交估计量作为可选方法，并检验其在有限样本中的表现。

4. 10.1093/aje/kwaf236 — Heterogeneous impact of mask mandates on U.S. masking behavior: an interrupted time series study

  • 作者: Benjamin Rader, Christina M Astley, Laura F White, John S Brownstein, Matthew P Fox
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Boston University · Boston Children's Hospital · Harvard University · Boston Children's Museum
  • 分类: vol 195 · issue 2 · pp 488-496
  • 相关性 7/10 · novelty: application
  • 摘要: 本文基于一个数字参与式监测平台，收集了2020年6月至2021年1月间超过34,000名个体的自我报告口罩佩戴数据，评估美国各县级口罩强制令对戴口罩行为的实际影响。采用中断时间序列设计，在555个县比较强制令颁布前后14天的口罩佩戴率变化，发现总体仅带来1-3个百分点的微小提升。然而，异质性分析表明，在初始佩戴率低的县、美国西部以及公共场所中，强制令的效果更为明显。这些结果解释了为何此前关于强制令对疫情传播影响的研究结论不一——因为强制令对行为的改变本身就存在显著异质性。本文属于应用流行病学研究，方法上使用经典的ITS加分层分析，未引入新的因果推断或半参数工具，但对公共卫生政策评估有直接参考价值。对您而言，本文可作为一个真实数据驱动的流行病学准实验案例，帮助理解异质性处理效应在实际分析中的表现，且数据规模和公开可用性值得关注。
  • 关键技术: interrupted time series, heterogeneity analysis, digital participatory surveillance, self-reported adherence, subgroup analysis
  • 为什么对您有用: 本文属于流行病学领域的应用因果研究，与您的次要兴趣（流行病学）直接相关。它展示了如何使用中断时间序列这一准实验设计评估政策效果，并突出了异质性分析的重要性。您熟悉的非参数统计和因果推断基础知识（如处理效应异质性）足以理解本文方法，但方法学本身创新有限。作为流行病学入门阅读，本文数据清晰、分析可复现，值得花时间全文阅读以获取真实数据分析的经验。

5. 10.1093/aje/kwaf224 — Applying mixtures methodology to analyze how exposure to structural racism and economic disadvantage affect perinatal health outcomes: an ECHO study

  • 作者: Dana E Goin, Ronel Ghidey, Holly Schuh, Lorraine T Dean, Emily Barrett, Theresa M Bastain et al.
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Reproductive Science Center · Columbia University · Johns Hopkins University · Environmental and Occupational Health Sciences Institute · University of Southern California · University of North Carolina at Chapel Hill · University of California, San Francisco · Brown University 等
  • 分类: vol 195 · issue 2 · pp 464-476
  • 相关性 7/10 · novelty: application
  • 摘要: 本文利用ECHO队列数据，研究结构性种族主义和经济劣势对围产期健康的影响。通过地址链接到区域层面的生命预期、教育、失业、健康保险、监禁率、隔离和住房成本负担等指标，构建绝对经济劣势指标和相对结构性种族主义指标（比较同一区域黑人或拉丁裔与白人的差异）。使用分位数G计算（quantile G-computation）方法估计所有暴露同时增加一个四分位数对胎儿生长和孕周指标的综合效应。结果显示经济劣势增加与出生体重降低相关（-25.65克），拉丁裔-白人结构性种族主义增加与拉丁裔出生体重降低相关（-80.83克），而黑人-白人结构性种族主义对黑人出生体重影响弱但使白人出生体重增加。该研究展示了多重暴露混合方法在流行病学中的应用，对您关注流行病学中因果推断应用有直接参考价值。
  • 关键技术: quantile G-computation, mixture methodology, structural racism measures, multiple exposure analysis
  • 为什么对您有用: 本文属于流行病学领域的因果推断应用，使用多重暴露混合方法（quantile G-computation），与您secondary interest中的流行病学应用方向直接匹配。您的武器库中'estimation theory in causal inference'可用来评估该方法是否达到效率最优，同时其暴露混合设定也适合用'semiparametric theory'进行更高效的估计。该文是solid的应用工作，提供了实际数据分析流程，可立即可作为流行病学应用范例阅读；若有兴趣改进方法，中期可在semiparametric理论方向上提升。

6. 10.1093/aje/kwaf196 — Combined effects of ambient air pollution exposure and biological aging on incident liver diseases: a large prospective cohort study

  • 作者: Teng-Rui Cao, Li-Juan Wu, Miao Gong, Yu Zhang, Jie Ding, Xu-Man Feng et al.
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Beijing YouAn Hospital
  • 分类: vol 195 · issue 2 · pp 543-554
  • 相关性 7/10 · novelty: application
  • 摘要: 该研究利用UK Biobank队列中418,576名参与者，评估环境空气污染物（PM2.5、PM10、PM2.5-10、NO2、NO）暴露与生物衰老（KDM-BA和PhenoAge）对肝脏疾病发病风险的联合效应。通过Cox比例风险模型估计单个污染物及生物衰老的风险比，并采用分位数g计算方法量化五种污染物混合暴露的总体效应。进一步，将生物年龄作为中介变量，利用因果中介分析方法探讨生物衰老在空气污染致肝病途径中的潜在中介比例。结果发现，所有污染物均与肝病风险正相关，其中NO2贡献了混合效应的42.31%；生物衰老加速的中介比例为1.9%–7.7%。该文结论认为空气污染可能通过加速生物衰老增加肝病风险。对您而言，这是一篇与流行病学应用紧密相关的因果中介分析实例，可衔接您的secondary interest（流行病学数据集与因果推断应用），其识别策略与分析流程值得参照。
  • 关键技术: Cox regression, quantile g-computation, mediation analysis, Klemera-Doubal biological age, PhenoAge, UK Biobank
  • 为什么对您有用: 该文属于流行病学应用的因果中介分析，直接匹配您的secondary interest中的流行病学与因果推断应用。您的武器库中'identification theory in causal inference'（中等熟悉）可以精准用于理解其中介分析中的识别假设（如序贯可忽略性），而'estimation theory in causal inference'（非常熟悉）则可评价分位数g计算估计量的稳健性。随访判断：立即可做——您现有的因果推断估计工具足以对该文的中介效应识别策略进行复现或改进，不需要额外学习新框架。

7. 10.1093/aje/kwaf188 — To what extent can attributable fractions in occupational epidemiology be estimated in the absence of key data?

  • 作者: Isabelle Niedhammer, Hélène Sultan-Taïeb, Yamna Taouk, Anthony D LaMontagne
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Centre National de la Recherche Scientifique · Inserm · Université Paris-Saclay · Centre Borelli · Université du Québec à Montréal · The University of Melbourne · Melbourne Health · Deakin University
  • 分类: vol 195 · issue 2 · pp 557-561
  • 相关性 7/10 · novelty: survey
  • 摘要: 该评论针对 Ghoroubi 等（2025）在职业流行病学中应用间接归因分数（AF）估计工作相关因素导致的全因死亡率的工作，系统讨论了间接 AF 方法的假设和数据需求。核心挑战在于：估计需要暴露患病率和相对风险（RR）的输入数据，这些数据必须时期、人群特征和暴露定义可比。方法依赖已发表的系统综述和 meta 分析提供 RR，否则研究者需自行实施 meta 分析。间接 AF 公式的适用性还需验证因果证据、混杂控制以及多暴露间的独立性。评论指出，Ghoroubi 等仅为一个工作相关因素提供了概念验证，要推广到所有职业暴露还需大量额外研究。本文对流行病学研究者尤其有用，因为它明确了间接 AF 方法在实际应用中常被忽略的假设清单和数据可用性条件。
  • 关键技术: indirect attributable fraction, meta-analysis, prevalence of exposure, relative risk, causal assumption verification
  • 为什么对您有用: 您的 secondary interest 包括流行病学，本文正是一篇职业流行病学应用方法论讨论，聚焦归因分数估计的数据条件与假设。您 moderately_familiar 中的 identification theory 可直接用于审视本文所提的因果假设（独立性、无混杂）是否合理，从而评价间接 AF 的识别有效性。由于本文是评论而非新方法，不涉及数学推导，属于“暂不可做”范畴——您缺少流行病学实际数据来应用这些方法；但可作为了解归因分数应用门槛的快速入门阅读。

8. 10.1093/aje/kwaf228 — Potential for extreme bias due to outcome misclassification in relative measures of effect for rare time-to-event outcomes

  • 作者: Guy Cafri, Peter C Austin, Joshua J Gagne
  • 期刊/来源: American Journal of Epidemiology
  • 机构: The Medical Device (United Kingdom) · Sunnybrook Health Science Centre · University of Toronto · Institute of Health Services and Policy Research · Institute for Clinical Evaluative Sciences · Institute for Work & Health · Sunnybrook Hospital · Johnson & Johnson (United States) 等
  • 分类: vol 195 · issue 2 · pp 569-576
  • 相关性 6/10 · novelty: application
  • 摘要: 本文研究在罕见 time-to-event 结局场景下，结局错分类（outcome misclassification）和生存时间误差对效应估计偏差的影响。设定为流行病学队列研究/医疗产品安全性研究，关注 hazard ratio 等 relative measures 与 risk difference 等 absolute measures 在不同 sensitivity/specificity、结局发生率、推断时间点下的偏差表现。方法采用 Monte Carlo 模拟，系统比较了 Cox 模型估计的 HR 与 absolute risk difference 在错分类条件下的相对偏差大小。主要发现：relative measures（如 HR）在低 specificity、低结局发生率、生存时间误差导致事件时间提前、推断时间点较早时会出现显著的向下偏差；absolute measures 的偏差模式更简单，主要受 sensitivity 影响。结论建议在罕见结局且 specificity/sensitivity 较高时，absolute measures 可能比 relative measures 更稳健。这是应用导向的模拟研究，方法学 novelty 有限。
  • 关键技术: Monte Carlo simulation, outcome misclassification, time-to-event analysis, Cox proportional hazards model, hazard ratio bias, sensitivity and specificity
  • 为什么对您有用: 本文属于流行病学应用研究，关注的是因果效应估计中的 measurement error 问题——这与您 primary interest 中的 sensitivity analysis 有连接。不过本文完全是模拟驱动，没有理论层面的 identification 或 bias formula 推导，未触及 semiparametric efficiency 或 formal sensitivity model。技术层面无需动用武器库，属于暂不可做类型——如果您想做 measurement error 方向的理论工作，需要先补充 measurement error model 的 identification 理论和 semiparametric/semiparametric efficiency 相关文献，本文仅提供实证动机。

9. 10.1093/aje/kwaf194 — Staying sharp: gendered work–family life courses and later-life cognitive functioning across four European welfare states

  • 作者: Giulia Tattarini, Damiano Uccheddu, Ariane Bertogg
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Hamburg Institute for Social Research · Universität Hamburg · UCLouvain · University of Konstanz
  • 分类: vol 195 · issue 2 · pp 442-454
  • 相关性 6/10 · novelty: application
  • 摘要: 本研究探讨欧洲四国（意大利、法国、荷兰、瑞典）中老年人认知功能与其 15-49 岁期间工作-家庭生命历程的关联，核心 estimand 是不同生命历程类型对晚年记忆得分的影响差异。方法上采用 Multichannel Sequence Analysis (MCSQA) 结合层次聚类识别工作-家庭轨迹类型，再用 random-effects linear regression 估计性别分层的关联效应，数据来自 SHARE 的九波回顾性与前瞻性调查。主要发现：女性劳动力市场依附度弱与较低记忆表现相关，男性无家庭角色的负面影响更显著；福利国家制度对不利生命历程的认知后果有缓冲作用，性别差异在意大利最明显、在瑞典和荷兰最小。本文为应用流行病学研究，方法学 novelty 有限，但提供了可复用的生命历程聚类 + 纵向建模 pipeline。
  • 关键技术: multichannel sequence analysis, hierarchical clustering, random-effects linear regression, life course epidemiology, gender-stratified analysis
  • 为什么对您有用: (1) 属于 epidemiology secondary interest 的应用因果/关联研究，使用 SHARE 数据集和生命历程聚类方法，对关注流行病学数据集和应用因果工作的研究者有参考价值；(2) 武器库中的 longitudinal data analysis 和 software development 能力足以支撑复现和扩展分析，但本文核心是描述性关联而非因果识别，方法学深度较浅；(3) 作为 gateway reading：本文是较好的生命历程流行病学入门读物，数据清洗和聚类建模流程清晰，但若您想深入因果识别（如 IV、sensitivity analysis），需另寻方法学更严谨的文献。

10. 10.1093/aje/kwaf189 — Independent and joint associations of key social exposome components with cognitive aging: triangulating evidence through cross-national data

  • 作者: Ruijia Chen, Harold Lee, Jingxuan Wang, Yulin Yang, Sakurako S Okuzono, Kristen Nishimi et al.
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Boston University · Pennsylvania State University · Neurobehavioral Systems · University of California, San Francisco · Harvard University · San Francisco VA Health Care System · University of San Francisco · University of Michigan
  • 分类: vol 195 · issue 2 · pp 398-406
  • 相关性 6/10 · novelty: application
  • 摘要: 本文研究五种社会暴露组因素（经济压力、邻里失序、歧视、社会压力、创伤事件）对认知功能水平和衰退的独立与联合效应，使用美国 HRS 和英国 ELSA 两个纵向队列数据。方法上采用线性混合效应模型估计个体内认知轨迹，并用 quantile g-computation 量化多暴露联合效应的可解释变异。主要发现是除创伤事件外，其余四种因素均与较低基线认知功能相关，但无一与认知衰退速率相关；联合降低所有暴露一个四分位数可提升认知功能 0.08-0.13 SD。这是典型的流行病学应用研究，方法学 novelty 有限，但提供了跨国家验证的实证证据。
  • 关键技术: linear mixed-effects model, quantile g-computation, longitudinal cohort study, cross-national validation, joint exposure effect
  • 为什么对您有用: 本文属于流行病学应用研究，使用真实队列数据（HRS/ELSA）和纵向混合效应模型，对您 secondary interest 中的 epidemiology 数据集和分析范式有参考价值。方法学 novelty 较低（quantile g-computation 是已有方法），不涉及因果推断的 identification 或 sensitivity 分析。作为跨国家队列研究的实证范例，可快速浏览其数据处理和模型设定，但无需深入阅读全文。

11. 10.1093/aje/kwaf251 — Enhancing COVID-19 vaccine effectiveness evidence generation using tokenized immunization registries

  • 作者: Kathleen M Andersen, Leah J McGrath, Kristen E Allen, Farid L Khan, Tiange Yu, Benjamin T Carter et al.
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Pfizer (United States) · Genesis Research Institute
  • 分类: vol 195 · issue 2 · pp 596-601
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出了一种通过 tokenization 技术将行政索赔数据与州疫苗登记处连接的数据生态系统，以改善 COVID-19 疫苗覆盖率的测量。研究覆盖了两个强制报告疫苗的州，分别对原始野生型、BA.4/5 二价和 XBB.1.5 适应性疫苗进行对比。结果显示，仅使用索赔数据时，20% 的个体记录了原始野生型系列接种，加入登记处数据后升至 57%，提升幅度达 182%。对于后续更新的疫苗，提升幅度分别为 41% 和 38%。研究还发现，基于药品代码的接种记录多于基于程序代码的记录，且 Medicaid 参保者在索赔数据中被捕获为接种的可能性更低。该工作为疫苗有效性研究中暴露测量误差的影响提供了实证基础，对因果推断中调整信息缺失和选择偏误具有参考价值。
  • 关键技术: tokenization, claims data linkage, vaccine registry, measurement error, administrative data
  • 为什么对您有用: 本文直接关联到您的 secondary interest 中的流行病学应用，即利用真实世界数据（索赔+登记处）评估疫苗覆盖率。您对因果推断中测量误差问题的熟悉性可用来评估这种数据增强对 IV 和敏感性分析等方法的潜在影响；此外，数据链接中的 tokenization 技术与您统计计算工具 bag 中的 software development 经验可对接。该文本质上是描述性应用，但暴露出的索赔 vs. 登记处差异是值得阅读的入门级证据，可作为理解疫苗有效性研究数据质量的背景，花少量时间读全文即可。

12. 10.1093/aje/kwaf084 — Pre-diagnostic body mass index trajectories and associations with lung cancer risk

  • 作者: Wen Zhou, Lorelei A Mucci, Mingyang Song, Hongbing Shen, Christopher I Amos
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Sun Yat-sen University · Baylor College of Medicine · Houston Institute for Clinical Research · Jiangsu Cancer Hospital · Sun Yat-sen University Cancer Center · Nanjing Medical University · Brigham and Women's Hospital · Harvard University 等
  • 分类: vol 195 · issue 2 · pp 358-366
  • 相关性 5/10 · novelty: application
  • 摘要: 本研究利用生长混合模型（growth mixture modeling）对163,545名参与者（来自Nurses' Health Study和Health Professionals Follow-Up Study）的体质指数（BMI）轨迹进行识别，共得到四种轨迹类别：正常-中度上升、超重-明显上升、超重-肥胖转变和肥胖-持续。采用Cox比例风险模型评估各类别与肺癌风险的关联，发现超重-明显上升和超重-肥胖转变类别的肺癌风险显著降低（aHR分别为0.53和0.67）。分层分析显示，肥胖-持续类别对不同组织学亚型的肺癌风险效应存在差异；在正常-中度上升类别中，BMI最高五分位数对不同亚型也呈现不同效应。该研究未采用复杂的因果推断方法（如工具变量或双重稳健估计），而是描述性关联分析，但提供了大规模队列中BMI长期轨迹与肺癌风险的流行病学证据。对于关注流行病学应用的研究者，本文展示了如何使用群体轨迹建模进行暴露-结局关联探索，方法学创新有限但数据和分析流程可供参考。
  • 关键技术: growth mixture modeling, Cox proportional hazards model, trajectory analysis, longitudinal clustering
  • 为什么对您有用: 本文属于流行病学应用研究，与researcher的secondary interest（流行病学数据集与应用因果工作）直接相关。方法上使用的是常规的生长混合模型和Cox回归，属于流行病学标准工具，与researcher technical arsenal中的nonparametric statistics、estimation theory in causal inference等技术有部分重叠（如生存分析模型），但并未涉及更高级的因果推断或高效估计。作为入门级流行病学应用案例，可以快速了解该领域的常见分析范式，但方法学深度不足以产生直接的技术迁移或问题发现。暂不可做：核心方法（生长混合模型、竞争风险分析）不在武器库中重点关注的范围，且本文缺乏因果识别策略，无法直接利用researcher的因果推断或效率理论技能。

13. 10.1093/aje/kwaf186 — The “long arm of childhood” on mortality in older adulthood in the United States and Brazil: examining the role of educational attainment and differences by gender

  • 作者: Mateo P Farina, Eric T Klopack, Flavia C D Andrade
  • 期刊/来源: American Journal of Epidemiology
  • 机构: China Population and Development Research Center · The University of Texas at Austin · Indiana University Bloomington · University of Illinois Urbana-Champaign
  • 分类: vol 195 · issue 2 · pp 424-433
  • 相关性 5/10 · novelty: application
  • 摘要: 本文研究童年期条件（健康状况、不利环境）对美巴两国老年人死亡率的影响，并检验教育获得的中介作用及性别差异。数据来自美国HRS与巴西ELSI-Brazil调查，采用结构方程模型（SEM）将童年条件对死亡率的效应分解为直接路径与通过教育的间接路径。结果显示：在美国，童年健康差直接增加死亡风险，不利环境则主要通过降低教育获得间接影响死亡率；在巴西，不利环境直接增加死亡风险，但间接路径不显著（女性除外）。性别差异表现为：美国男性、巴西女性的间接路径显著。该研究使用经典的路径分析方法，验证了生命历程理论在跨国情境下的异质性。对于流行病学领域的因果中介分析，本文提供了一个多群体比较的实证模板，其公开数据也可用于检验更前沿的中介估计方法（如交叉拟合双稳健估计）的稳健性。
  • 关键技术: structural equation modeling (SEM), mediation analysis, path analysis, bootstrap indirect effect testing, cross-national comparison
  • 为什么对您有用: 本文属于流行病学应用领域，使用中介分析（因果推断的子方向）研究童年条件对老年死亡率的间接路径，且涉及跨国比较与性别异质性。研究者very_familiar武器库中的「estimation theory in causal inference」可直接用于改进其估计（例如用双稳健方法替代SEM以放松假设），立即可做：用HRS与ELSI-Brazil数据重分析，比较传统SEM与因果中介方法的敏感性。

14. 10.1093/aje/kwaf238 — The association between long-term exposure to PM2.5 constituents and diabetes incidence and blood glucose levels among World Trade Center Health Program general responders

  • 作者: Helena Krasnov, Pablo Knobel, Hsiao-Hsien Leon Hsu, Susan L Teitelbaum, Mary Ann McLaughlin, Allan C Just et al.
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Icahn School of Medicine at Mount Sinai · Brown University
  • 分类: vol 195 · issue 2 · pp 497-504
  • 相关性 4/10 · novelty: application
  • 摘要: 本研究利用World Trade Center Health Program中34764名一般救援人员（2003-2019年）的纵向数据，探索长期暴露于PM2.5不同化学成分与糖尿病发病及血糖水平的关联。与以往仅关注PM2.5总质量不同，本文采用非负矩阵分解（NMF）将PM2.5组分归因于五种排放源：生物质燃烧、燃油燃烧、金属工业、其他工业及机动车。随后利用多变量混合效应模型同时估计各来源暴露与结局的关联，控制了个体水平协变量和时空趋势。结果显示，金属工业来源PM2.5（四分位距0.42 μg/m³）每增加一个IQR，糖尿病风险升高8.35%（95%CI: 1.39%-15.79%），血糖水平上升1.31%（0.80%-1.82%）。性别显著修饰了部分来源的效应：生物质燃烧和机动车来源对女性影响更大，燃油燃烧来源对男性影响更大。该研究在流行病学应用中展示了高维暴露组分分解与健康结局关联分析的完整流程，对从事空气污染因果推断的研究者具有方法学参考价值。
  • 关键技术: non-negative matrix factorization (NMF), source apportionment, multivariable mixed-effect models, PM2.5 constituents analysis, effect modification by sex
  • 为什么对您有用: 本文是流行病学领域的应用型论文，对统计研究者而言是一篇良好的入门读物：它清晰展示了从暴露数据到健康结局的因果关联分析框架，包括暴露组分分解（NMF）和混合效应模型的应用。研究者武器库中的「估计理论在因果推断中的应用」和「识别理论」足以理解和评价该分析的设计与潜在偏倚；若希望在方法上改进（如对多种来源暴露同时进行因果推断），需在「HOIF」或「semiparametric theory」上稍加功力。总体上，值得花时间阅读全文以了解现实数据中暴露多组分分析的典型操作细节。

15. 10.1093/aje/kwaf234 — Evaluating the association between upstream perceived individual and neighborhood determinants of health and intensity of breast cancer screening

  • 作者: Faith Morley, Anjile An, Vivian Bea, Rulla M Tamimi, Kevin H Kensler
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Cornell University · Weill Cornell Medical College in Qatar · Weill Cornell Medicine
  • 分类: vol 195 · issue 2 · pp 477-487
  • 相关性 4/10 · novelty: application
  • 摘要: 该研究利用 All of Us 研究计划的 31568 名 40-74 岁无乳腺癌女性队列，评估感知压力、日常歧视、邻里物理失序和邻里社会凝聚力等上游健康决定因素与乳腺X线筛查强度的关联。采用多变量 Poisson 回归估计筛查事件的发生率比（IRR），并控制年龄、种族、教育等协变量。主要发现：高感知压力（IRR=0.84, 95%CI 0.79–0.90）和高歧视（IRR=0.92, 95%CI 0.88–0.95）与较低筛查率显著相关，而邻里变量无显著关联；该关联未因种族/族裔而异。方法上为传统的流行病学回归分析，未引入因果推断中的工具变量或去偏机器学习等高级技术。对您（二级兴趣流行病学）而言，这是一篇标准的应用论文，展示了真实队列中多源数据（问卷+电子健康记录）的使用，但统计方法简单，无 new theory 或新 estimator。
  • 关键技术: Poisson regression, incidence rate ratio, All of Us Research Program, self-reported survey data, electronic health record linkage
  • 为什么对您有用: （1）该文是流行病学领域的应用因果研究，使用大型队列 All of Us 数据库，属于您的二级兴趣流行病学方向；（2）您的武器库中 very_familiar 的非参数统计和因果推断估计理论可以帮助审视其模型假设（如 Poisson 模型的分布假设、未控制混杂的敏感性），但本文方法过于常规，不足以驱动 follow-up 问题；（3）暂不可做：该文无高级方法学贡献，仅作为流行病学应用阅读，您无需投入时间深入。

16. 10.1093/aje/kwaf227 — Identifying observable medication use time in administrative databases: a tutorial using nursing home residents

  • 作者: Daniel A Harris, Adam D’Amico, Hemalkumar B Mehta, Lori A Daiello, Sarah D Berry, Charles E Leonard et al.
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Brown University · Department of Behavioral Health · Department of Health Services · University of Delaware · John Brown University · Johns Hopkins University · Beth Israel Deaconess Medical Center · Hebrew SeniorLife 等
  • 分类: vol 195 · issue 2 · pp 587-595
  • 相关性 4/10 · novelty: application
  • 摘要: 本文聚焦于疗养院（NH）居民的药物流行病学研究中的暴露时间可观测性问题。在 Medicare 理赔数据中，住院或急性期后护理期间的药物配发因捆绑支付结构而无法观测，导致暴露测量偏倚。作者基于 2013-2020 年美国 NH 居民队列，将 Medicare FFS 理赔与最小数据集（MDS）临床评估链接，开发了分类算法将 NH 天划分为“可观测用药时间”（需同时满足 A/B/D 部分参保、非急性后期护理、非住院）。结果发现 12.3 百万居民的 27 亿天中，10 亿天（参保天数的 72.4%，全部天数的 39.6%）被识别为可观测。与标准“长期居住”100 天定义相比，新算法多识别了 68% 的人-时间和 51% 的居民。该算法改善了药物暴露时间的测量有效性，对因果推断中的暴露定义有直接参考价值。
  • 关键技术: Observable medication use time algorithm, Medicare claims-MDS data linkage, Exposure classification rules, Pharmacoepidemiology cohort design
  • 为什么对您有用: 直接关联到研究者的 secondary interest 流行病学应用，尤其是药物流行病学中的暴露测量问题，是进行因果推断（如 IV、PP）前数据预处理的关键步骤。研究者武器库中“identification theory in causal inference”中的暴露定义经验可用于评估该算法在不同研究设计下的偏倚敏感性。本文为 tutorial 性质，无需新统计工具即可理解并应用到实际流行病学数据分析中，属于立即可做的领域。

17. 10.1093/aje/kwaf210 — Differences in protective resources and risks for depressive symptoms among recent widows in the United States and India

  • 作者: Shekhar Chauhan, Dawn Carr, Miles Taylor, Amanda Sonnega
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Florida State University · Institute on Aging · University of Michigan
  • 分类: vol 195 · issue 2 · pp 455-463
  • 相关性 3/10 · novelty: application
  • 摘要: 本研究利用美国健康与退休研究（HRS）和印度纵向老龄化研究（LASI）的协调数据，比较近2年内丧偶者抑郁症状的差异。研究发现美国丧偶者的抑郁症状增幅（0.36个标准差）显著高于印度丧偶者（0.15个标准差）。通过线性回归和交互分析，识别出三种保护性资源（亲密朋友、与他人同住、自评健康）的效应存在国家背景依赖：在美国，拥有亲密朋友（vs. 无朋友）和与他人同住（vs. 独居）的保护作用更强，而自评健康较差与更高抑郁症状的关联也更强。方法上采用标准的多变量回归和标准化效应量比较，未涉及因果推断，但利用了跨国产学研协调数据（HRS-LASI）进行可比性调整。结论建议针对丧偶的心理健康干预需考虑国家社会文化背景，社交参与型干预可能对美国丧偶者更有效。对您而言，本文提供了两大老龄化纵向数据集（HRS、LASI）的应用案例和跨国比较的统计处理框架，适合作为流行病学应用方向的入门读物。
  • 关键技术: harmonized data, linear regression, interaction analysis, standardized effect sizes, Health and Retirement Study (HRS), Longitudinal Aging Study in India (LASI)
  • 为什么对您有用: 本文直接对应您的secondary interest——流行病学应用与数据集。HRS和LASI是老龄化研究的核心数据源，可复用至您关注的纵向因果推断或中介分析。方法虽常规（线性模型），但跨国比较的协调数据处理和效应修饰分析的设计思路清晰，作为流行病学应用范文，武器库中的非参统计、高维基线调整等工具足以理解并批判其分析策略。建议作为入门阅读，了解流行病学实证研究的常见套路和数据特点，但无需深入精读方法部分。
  • 作者: Emilie Counil, Narges Ghoroubi, Mary Beth Terry
  • 期刊/来源: American Journal of Epidemiology
  • 机构: Centre National de la Recherche Scientifique · Institut national d'études démographiques · Inserm · Sorbonne Université · Université Sorbonne Paris Nord · National Institute for Demographic Studies · Institut de Recherche Interdisciplinaire sur les Enjeux Sociaux · École des hautes études en sciences sociales 等
  • 分类: vol 195 · issue 2 · pp 555-556
  • 相关性 2/10 · novelty: survey
  • 摘要: 本文是一篇简短评论，聚焦于改进与工作相关的健康估计，以更清晰地揭示健康不平等。作者指出，现有的健康不平等研究往往忽视职业暴露或使用粗糙的指标（如仅区分受雇/未受雇），导致工作相关贡献被低估。文中建议采用更精细的暴露测量（如行业、职业类别、劳动条件），并关注不同社会群体间职业分布的差异。虽然未提出新的统计方法，但强调了测量误差和选择偏倚对因果推断的影响。对于从事流行病学应用因果推断的研究者而言，本文提供了改进暴露评估以提升结论效度的实际问题视角。
  • 关键技术: occupational exposure assessment, measurement error, health disparities, observational study design, data quality improvement
  • 为什么对您有用: 本文直接关联您在流行病学应用方面的次要兴趣，特别是职业暴露与健康不平等的交叉领域。您的因果推断工具箱（如测量误差模型、敏感度分析）可用于量化文中提及的偏倚程度，并给出更稳健的估计。作为一篇观点性短文，它无需您立即动手，但值得快速阅读以了解流行病学中暴露测量问题的最新呼吁，并考虑是否能将您的 semiparametric efficiency 方法应用于职业流行病学数据。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论