Addressing an extreme positivity violation to distinguish the causal effects of surgery and anesthesia via separable effects

讲者: Caleb Miles
讨论人: James Robins and Thomas Richardson
来源: OCIS (Online Causal Inference Seminar)
日期: 2025-11-18
主题: 因果推断
视频: https://youtu.be/L37UkHqzv6Y · 幻灯片

本页据讲座录音的自动转写（ASR）生成。人名 / 术语 / 公式 / 具体的率与界可能被听错，关键处请对照视频或讲者论文核对。

相关论文

• 2504.01171 （尚未精读 — talks read --id … --read-papers 可补）

---

一、这场报告在讲哪条工作线

报告的核心工作线是如何利用可分离效应（separable effects）框架，在一个极端正定性（positivity）被违反的情境下，将两个观测上完全等同的暴露（手术和麻醉）的因果效应分离开。

1. 背景与核心追问： - 追问目标：区分“孕期接受麻醉和手术对儿童神经发育的联合效应”中，究竟是麻醉本身还是手术本身导致了风险增加（这是FDA关注的真实问题）。 - 经典困难：在观察性研究中，对于接受手术的孕妇，手术和麻醉是同时发生的（A=1表示手术，A_A表示麻醉，A_S表示手术）；对于未接受手术的孕妇，两者均未发生。两者在观测上完全等同（A = A_A = A_S），这导致当试图通过常规后门调整（adjusting for surgery）来估计麻醉的单独效应时，面临极端正定性违反：Pr(A_A=1 | A_S=1) = 1, Pr(A_A=1 | A_S=0) = 0。没有方法可以基于观测数据“看到”仅接受麻醉但未接受手术的人群。

2. 奠基与主流路线： - 正定性违反的常规处理：外推（extrapolation）、截断/剪枝（trimming extreme propensity scores）、重叠权重（overlap weights）、增量倾向得分干预（Kennedy 2019）——这些方法都要求存在某个子总体，在其中正定性成立。本报告的极端的违法情况（所有子总体都不满足）使得这些方法全部失效。 - 可分离效应框架：这是Robins和Richardson（2010，Causality and Psychopathology）提出的，将处理（A）拆解为两个“组分组合”（component），通过对组分而非原处理的干预来定义可操作性因果参数。该框架已被用于处理溢出效应（Shpitser et al. 2017）、纵向中介分析等。关键假设要求存在一组中介变量M，完全中介了A_S到Y的路径，且不被A_A影响。 - 介入式自然直接/间接效应：VanderWeele（2011）等提出的估计方法（通过比例风险模型）被报告直接借用。

3. 当前Frontier与报告立场： - 大量工作聚焦于已经知道处理A可以拆成有意义的组分（如香烟的尼古丁成分 vs. 其他成分），然后以中介变量M作为“思考实验”的媒介（Robins & Richardson 2010的原始框架）。报告的核心反转在于：先有想要分开的两个暴露（麻醉和手术），然后逆向寻找一组中介变量M，这些M能完全“隔离”（block）手术的效应。这种“先从组分出发，再找M”的应用视角是报告的方法论贡献（讲者Thomas Richardson在讨论中也特别强调了这一点）。 - 相关前沿：Stensrud et al. (2021, 2022) 在生存分析中处理竞争风险和并发事件的可分离效应；van der Laan & Rose (2011, Targeted Learning) 虽有目标最大似然估计（TMLE），但此报告未深入；报告的方法论更靠近“如何在对识别假设做敏感性分析的同时，用于一个极端困难的观测数据”。

4. 报告站在的位置： - 报告是一个应用问题驱动的方法论展示。它将自己定位为“一个可以让对可分离效应不了解甚至怀疑的人接受它的应用案例”（讲者原话）。它没有提出全新的统计理论（无新的高效影响函数、无新的半参数效率界），而是在强假设（图形排除限制 + 无M-Y混杂）下，展示可分离效应框架如何打破看起来无解的识别僵局，并给出了实际的估计和敏感性分析。 - 报告的主要技术贡献在于：(a) 提出“反转视角”——先有组分再找M；(b) 针对麻醉和手术这一极端场景，开发了一个标量可解释的敏感性参数γ（基于Stensrud et al. 2021，但做成了可解释的比值形式）；(c) 展示该方法可扩展到没那么极端的正定性违反（通过滥用条件密度，如幻灯片26-27所示）。该方法论贡献新颖度一般（属于很干净的应用），适合作为理解可分离效应实际应用和落地细节的入门材料。

二、最小内核 / 一个最简例子

1. 核心数据与符号定义： - 可观测数据：一个独立同分布的样本。对于每个母亲i，观察到： - A（0/1）：是否决定接受阑尾切除/胆囊切除手术（包含手术和麻醉）。 - C（高维基线协变量，如孕产妇年龄、既往就医史等）。 - Y（时间到诊断）：从手术时间/伪手术时间到被诊断为行为障碍（DIBD）所需的时间（存在删失，但核心不涉及）。 - M（一组中介变量，列于幻灯片19）：包括围手术期并发症、是否需要再次手术、疼痛（阿片类药物处方超过7天+补药）、围手术期住院时间>7天、剖宫产、早产和低出生体重、血栓、与产前护理无关的急诊就诊。 - 潜在不可观测量： - A_A（0/1）：接受麻醉的指示变量（观测上恒等于A）。 - A_S（0/1）：接受手术的指示变量（观测上恒等于A）。 - 反事实Y(a_S, a_A)：将手术强制设为a_S、麻醉强制设为a_A时的Y值。我们感兴趣的因果目标是： - 联合效应ψ_joint = Pr(Y(1,1)≤t) / Pr(Y(0,0)≤t) - 麻醉效应ψ_anes. = Pr(Y(0,1)≤t) / Pr(Y(0,0)≤t) - 手术效应ψ_surg. = Pr(Y(1,1)≤t) / Pr(Y(0,1)≤t) - 关键因果模型（DAG）：幻灯片17给出。图中A→A_A和A→A_S是确定性的（A_A=A_S=A）。核心假设： 1. A_S到Y没有直接路径，必须完全通过M（排除限制——手术对Y的影响只通过M）。 2. A_A对M无任何效应（隔离条件——麻醉不影响M）。 3. M和Y之间无未测量的混杂（已充分调整C）。 - 待估计参数：Ψ_{a*,a}(t) = Pr(Y(a_S=a*, a_A=a) ≤ t)，其识别式为（依据DAG下的g-formula）： Ψ_{a*,a}(t) = Σ_{m,c} Pr(Y ≤ t | A=a, m, c) · f(m | A=a*, c) · f(c) 这正是经典的中介公式（mediation formula），但其中A同时扮演了两种角色（在结局模型中用a，在M的模型中用a）。 - a* vs a的含义：a*是“我们强制为手术的值”，a是“我们强制为麻醉的值”。当我们想估计“只有麻醉、没有手术”的效果（即Ψ_{0,1}）时，这个公式意味着：我们在观测到的手术状态为“已手术”（A=1）的个体中，去观察他们的M和Y，但在结局模型里用A=a=1（即手术状态，对应于麻醉状态），在M的模型里用A=a*=0（即无手术状态）。由于正定性，我们不能在个体层面同时观测到这两种状态（没有人有A=1的M和A=0的手术），但g-formula通过边缘化M*跨越了这一点：我们可以用A=1个体的结局模型（代表有麻醉的情况），但只将M的边缘分布“借用”成了A=a*的（因此M体现了没有手术时的效应模式）。

2. 最简例子（d=1，单个中介，单个基线协变量）： - 假设M是二值的“早产/否”。 - 我们想要估计Ψ_{0,1}（麻醉、无手术）。 - 识别公式变为： Ψ_{0,1}(t) = Σ_{m∈{0,1}} Σ_c Pr( Y ≤ t | A=1, m, c) · Pr( M=m | A=0, c) · Pr(c) - 关键步骤：我们观测到的是(A=1, m，即手术且早产)与Pr(Y≤t|A=1,m,c)的联合分布；但我们需要的Pr(M=m|A=0,c)却是从未手术的人群中看M的概率分布。由于M（如早产）在未手术人群中几乎不可能发生（Pr(M=1|A=0)=0），报告特别指出（幻灯片29），这个概率为0导致Ψ_{0,1}无法被识别！这解释了为什么报告只能估计“麻醉效应（无手术）”而绝对不能估计“手术效应（无麻醉）”——因为后者的M（手术特有的并发症）在未手术人群中发生概率为0。 - 核心洞见：虽然我们从未观察到“无手术但发生了手术特有并发症”的人（这在物理世界不可能），但g-formula在数学上要求我们去估计这个条件概率。如果这个概率为0，因果参数就退化到无法计算。这解释了报告为何选择Ψ_{01}作为麻醉效应（无手术）的有效识别，而避免估计Ψ_{10}。

三、报告主体：讲者讲了什么

• [0:00:00 – 0:01:38]：开场与背景问题
  • 讲者Caleb Miles介绍合作者（Amy Pitts, Caleb Ing, Ling Guo）。
  • [0:01:38 – 0:04:00]：讲述FDA在2016年对孕期和儿童早期麻醉药的警示（神经毒性可能性；动物实验强，人类研究混合）。介绍Ing et al. (2024)的匹配研究结果：产前暴露于麻醉与手术的儿童，发展DIBD（ADHD、抑郁等）的风险显著升高。
• [0:05:27 – 0:08:00]：核心困难：无法区分手术 vs. 麻醉
  • 指出暴露同时含手术和麻醉，观测上完全等同，当试图调整手术时导致极端正定性违反。明确描述正定性公式（幻灯片6），并强调不存在任何子总体满足的条件。
• [0:08:00 – 0:11:04]：常见方法的失效
  • 列举常规正定性补救方法（外推、剪枝、重叠权重等），并指出它们均不适用。讲者说：“在因果推断中，难问题通常需要强假设”（caveat）。
  • 引出“C匹配”（后暴露变量的匹配，如早产和术后并发症）作为该团队在Ing et al. (2024)中的早期尝试，并指出其直觉是为了“阻断手术的效应”。
• [0:11:04 – 0:14:00]：引入可分离效应框架
  • 定义可分离效应（或“分治处理”），以Pearl的香烟-尼古丁例子介绍。关键在于Robins & Richardson (2010)的扩展DAG（N→…，O→…），可以识别E[Y(a=1, M(a=0))]。
  • 强调即使(O=1, N=0)从未在任一观测个体中出现，g-formula仍可识别。列出该框架后续的应用（生存分析、非依从性等）。
• [0:14:00 – 0:15:00]：问题符号化
  • 定义A（手术决定）、A_A（麻醉）、A_S（手术），且A = A_A = A_S。
  • 定义Y（DIBD诊断时间），C（基线协变量）。
• [0:15:00 – 0:20:54]：定义因果 estimands 与选择方向
  • 定义联合效应、麻醉效应、手术效应。
  • 讨论医学政策含义：联合效应（推迟手术的决策）、麻醉效应（优化麻醉方案）。
  • 明确选择估计麻醉在无手术情况下的效果（而非在有手术情况下），理由是在有手术时麻醉还有镇痛有益效应，难以隔离。
  • 此时讲者暂停并接受问题。
• [0:21:27 – 0:24:00]：可分离效应DAG与识别公式
  • 展示幻灯片17的DAG（A→A_A, A→A_S, A_S→M→Y, A_A→Y）。核心假设：M完全中介手术效应，且不受麻醉影响。
  • 讲者强调“反转视角”：通常可分离效应先有A，再设想组分；这里先有组分（麻醉和手术），再找M。M的角色纯粹是辅助识别。
• [0:24:00 – 0:26:37]：候选M变量与识别挑战
  • 列出候选M（幻灯片19）。明确提到未测量的潜在中介，如炎症和醋氨酚使用。
  • 给出Ψ_{a*,a}(t)的中介公式表达式。指出由于某些M（如早产）在未手术人群中从不发生，Pr(M=m|A=0,c)=0，因此无法识别Ψ_{10}（即手术效应、无麻醉）。
• [0:26:37 – 0:28:33]：敏感性分析
  • 介绍对一个排除限制（手术对Y的直接效应）的敏感性分析，采用Stensrud et al. (2021)的“部分隔离”策略，但简化成一个标量参数γ（幻灯片22-23）：当手术→Y的直接路径违反隔离条件时，估计Ψ_{01}(t)/Ψ_{00}(t)会识别一个控制直接效应，而非纯麻醉效应。
• [0:28:33 – 0:31:42]：直觉：后门调整连接
  • 提供了一个直观的推导：在DAG下，E[Y(a_A=1)]可以通过M做后门调整。然后利用一个分解公式（含Pr(AS=0)等）导出需要识别的混合干预（E[Y(a_A=1, a_S=0)]）。这种推导“揭示了后门调整为何可行，即使正定性被违反”。
  • 进一步扩展到更一般的、不那么极端的正定性违反（幻灯片26-27：通过加入决定性的C0变量）。
• [0:31:42 – 0:34:36]：估计方法
  • 介绍VanderWeele (2011)的比例风险中介估计方法：拟合一个PH模型用于结局，用Nelson-Aalen估计基线累积风险，并通过对M边缘化（用估计的M模型）。
  • 指出M建模需要小心：许多M只在手术暴露组发生，因此在未暴露组中概率应设为0（识别限制）。
• [0:34:36 – 0:41:41]：数据分析和结果
  • 数据来自Medicaid Analytic eXtract (MAX) 1999–2013：31,494名暴露儿童 vs 14,307,152名未暴露儿童。
  • 展示生存曲线（幻灯片31）：蓝色（二者都有）、绿色（无手术&有麻醉）、粉色（二者都无），结果提示麻醉效应占主导。
  • 点估计（10岁时）：ψ_joint=1.157 (1.124,1.192)，ψ_anes.=1.133 (1.098,1.162)，ψ_surg.=1.021 (1.005,1.039)。虽手术效应也显著，但麻醉效应明显更大。
• [0:41:41 – 0:44:48]：敏感性分析结果
  • 展示敏感性图（幻灯片33）：横轴为γ（手术直接效应的倍数），纵轴为调整后的麻醉效应估计。当γ≈1.13时，麻醉效应不再显著。讲者认为结果为“中等敏感”，但所需直接效应必须大于通过M的累积效应。
• [0:44:48 – 0:47:00]：局限性与未来方向
  • 讨论主要局限：强假设、大量删失（可能为信息删失）、比例风险假定、混淆指征(indication)——即未能控制的潜在炎症（I，如阑尾炎/胆囊炎本身）。事实上I几乎完全预测了A，又导致另一个极端的正定性问题。
  • 解决方案（未来方向）：利用抗生素替代手术的新趋势（I锁定了阑尾炎，A是手术/抗生素的选择）。若新数据可区分I和A，则基础联合效应可识别；再结合M，可进一步分离麻醉效应。
• [0:47:32 – 0:48:37]：总结与讨论
  • 强调该方法对“包装式干预”（bundle intervention）问题的可推广性。

讨论环节（Richardson & Robins）： - [0:49:00 – 1:01:00]：Thomas Richardson的讨论 - 用三数据集思想重建可分离效应：数据集1（原始数据: X, M, Y）；数据集2（假想的四臂实验：N×O）；数据集3（只在N=O的臂上观测到的数据）。识别问题等价于：仅从数据集1（只有N=O的两个臂）能否重建数据集2的另外两个臂（N≠O）。所需假设正是DAG中缺失的边（形如(Y ⊥ N | M) 和 (M ⊥ O)），这些是在四个臂的假想世界里的条件独立性，而非原始数据可检验的。 - 强调Caleb的关键直觉（后门调整 + 分解）依赖了这些独立性，且这些独立性成立的前提是在假想四臂实验中才成立。 - 讨论了M-Y混杂和共中间变量L（post-treatment confounder）。Robins举了恶性高热（malignant hyperthermia）的例子：麻醉本身会引起L（恶性高热），L又会影响M和Y，这对应数据集B，其识别公式不同于标准g-formula。 - [1:01:00 – 1:07:04]：Jamie Robins的补充 - 强调数据集B在可分离效应中对应一个更复杂的识别场景，幻灯片A（M+L合并）和幻灯片B（L由麻醉引起）代表两种可能的世界。若两种分量的都影响L，识别失败。 - [1:07:04 – 1:11:24]：Miles的总结回应 & 组织结束 - Miles承认L的引入很重要，并将自己的M视作包含L后的汇总变量。对敏感性分析涉及M-Y混杂，认为可以使用现有中介敏感性分析方法推广。 - 指出他们的研究无需纵向测量中介（M时间上发生在结局之前）。

四、对应论文与开放问题

（a）对应论文： - 这场报告的核心工作，对应一篇arXiv预印本：2504.01171，标题为 Addressing an extreme positivity violation to distinguish the causal effects of surgery and anesthesia via separable effects。作者为Amy J. Pitts, Ling Guo, Caleb Ing, Caleb H. Miles。 - 报告还引用了两个自身的关键应用研究：Ing et al. (2024, British Journal of Anaesthesia)，题为 Behavioural disorders after prenatal exposure to anaesthesia for maternal surgery，其中采用了“C匹配”（被报告认为是不正式的可分离效应版本）。 - 技术框架归功于：Robins & Richardson (2010)，Causality and Psychopathology中的章节；敏感性分析部分改编自Stensrud et al. (2021)。估计方法参考VanderWeele (2011)的PH中介模型。

（b）开放问题（每条扎根于转写）： 1. 如何系统处理后处理混杂变量L（即受暴露影响的额外中介）的识别？ - 来源：Robins和Richardson的讨论（约 [1:01:00 – 1:07:04]），特别是Robins以恶性高热的例子。报告仅将其归类为“更多场景M”；但Robins指出，如果L由麻醉引起（而非仅是手术引起），标准g-formula会失效，需要一个更复杂的识别公式。报告未提出系统性处理此类L的敏感性分析或估计方法。

1. 如何将对M-Y混杂的敏感性分析纳入框架（而非仅对排除限制做敏感性分析）？

   • 来源：Richardson和Robins的讨论（约 [1:04:00 – 1:06:00]），Robins指出在四臂假想实验里，M-Y混杂会导致(Y ⊥ N | M)条件独立失效。Miles回应（约 [1:07:04 – 1:08:00]）时承认，当前敏感性分析只针对排除限制（手术对Y的直接效应），而未开发对M-Y混杂的敏感性参数。

2. 当M在某些人群中为0（如手术特有并发症在未手术人群中不发生）时，能否通过其他识别策略（如外推或先验信息）来估计Ψ_10？

   • 来源：幻灯片29及转写 [0:34:36 – 0:35:43]。报告明确指出Ψ_10因Pr(M_k=1|A=0)=0而无法识别。这是知识上的一个空白：如何（若有办法）在这种结构零下仍可估计“手术而无麻醉”的效应？这可能依赖于对M概率不为零的子总体的某种外推假设，但报告没提。

3. 如何将类似思路扩展到非极端但程度更轻的正定性违反（除了幻灯片26-27的简单构想外，给出具体的识别/估计算法）？

   • 来源：幻灯片26-27及转写 [0:31:42 – 0:32:50]。讲者口头表述“由于这种方法对最极端违反有效，所以也对不太极端的违反有效”，但并未给出一般化的估计程序或效率结果。这个问题可以转化为：对于部分违反（如Pr(A=1|C)在[0.05, 1]），如何采用M来权重（似想法）而非直接后门调整？

4. 能否开发一个完整的半参数有效估计器（如目标最大似然估计/聚合双稳健估计）用于此类“极端正定性违反 + 中介公式”场景？

   • 来源：报告用了简单的PH模型和中介公式的点估计（VanderWeele 2011）。没有讨论效率理论或双稳健性。对于动力学治疗的DEC，现代因果推断（如DML、TMLE）可以给出更好的性能和有效性。这可以是扎实的方法论拓展。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论