因果估计与贝叶斯估计

Longitudinal Outcomes Truncated by Death: Causal Estimands and Bayesian Estimators

因死亡截断的纵向结果：因果估计与贝叶斯估计

https://arxiv.org/pdf/2604.26410

概述

本文聚焦于纵向随访研究中普遍存在的**“因死亡截断”（Truncation by Death）**难题，系统构建了从因果目标定义到贝叶斯计算的完整分析框架。核心重点如下：

1. 问题本质与偏倚机制

   
   明确区分“缺失”（Missing）与“截断”（Truncated）：死亡并非导致后续测量值“未观测到”，而是使其“根本不存在”。传统混合模型、条件分析或简单多重插补会错误地将死亡后人群与存活人群混为一谈，导致严重的生存选择偏倚与因果解释失效。

2. 因果估计量（Estimands）的严格界定

   
   基于 主分层（Principal Stratification）理论，厘清了死亡截断下的合理因果目标。重点定义并讨论了幸存者平均因果效应（SACE, Survivor Average Causal Effect） ，即仅针对“无论接受干预或对照均能存活”的潜在子群（Always-Survivors）的因果效应。该定义避免了将死亡作为中介变量或结果变量所引发的逻辑悖论，为临床试验与公共卫生干预评价提供了可识别的因果参数。

3. 贝叶斯联合建模与估计策略

   
   提出一套灵活的 纵向-生存联合贝叶斯框架 ：

   • 将纵向结局轨迹与死亡风险过程通过共享随机效应或潜在变量耦合，自然刻画截断机制；
   • 利用先验分布整合临床先验知识，缓解小样本或低死亡率下的参数不可识别问题；
   • 通过MCMC算法直接采样后验分布，避免频率学派方法对渐近正态性或强缺失假设的依赖，完整量化参数与预测的不确定性；
   • 支持非正态纵向分布、时变协变量、非比例风险等复杂现实场景。
4. 方法学验证与实际应用

   
   通过系统的模拟研究对比了不同估计量与计算方法（如逆概率加权、条件模型、传统插补），验证了所提贝叶斯估计器在偏倚控制、覆盖率与均方误差方面的稳健性。结合真实临床/队列数据，展示了如何明确报告因果估计量、解释后验区间，并在干预效果评估中做出符合因果逻辑的推断。

5. 实践指导与规范建议

   
   强调在涉及竞争性死亡的研究中， 必须先明确因果估计量再选择方法 ；推荐将贝叶斯联合建模作为处理截断型纵向数据的首选范式之一，并提供模型设定、先验选择、收敛诊断与敏感性分析的实操指南。

总结：本文在理论层面厘清了死亡截断下的因果识别条件与估计量定义，在方法层面提供了可计算、可扩展、不确定性量化完整的贝叶斯估计方案，填补了纵向因果推断中“目标定义-模型构建-计算实现”链条的关键空白，对临床试验设计、老年医学、慢性病管理及流行病学研究具有直接的方法学指导价值。

摘要

为因死亡而截断的纵向结果定义因果估计量具有挑战性，因为在随访结束时结果可能是未定义的。尽管已经提出了一系列估计量和几种估计方法，但关于潜在因果假设以及每种估计量最适用情境的指导仍然有限。

我们提出了一个框架，以阐明在因死亡导致删失的纵向环境中定义因果估计量的挑战。在此框架内，我们回顾了现有的估计量，并明确说明了其识别和估计所需的假设。我们为每种估计量开发了贝叶斯估计器，并在模拟研究中比较了它们的表现。最后，我们使用肌萎缩侧索硬化症（ALS）随机对照试验的数据来说明所提出的方法。

我们表明，主要困难源于因死亡而截断的结果缺乏自然的排序和距离概念。这导致了一个固有的多因素问题。在此背景下，分层平均因果效应结合限制性平均生存时间，提供了对治疗效果更完整的刻画。

关键词

因果推断，潜在结果，因死亡删失，主分层，随机对照试验（RCT），肌萎缩侧索硬化症（ALS）。

1 | 引言

生活质量（QOL）和患者报告结局（PROs）通常通过纵向测量获得，是临床分析中的关键终点，并且即使在死亡率较高的情境下也日益被视为不可或缺的指标 [1]。然而，在此类情境中，相当比例的患者可能在随访结束前死亡，导致纵向结局无法明确定义。在随机对照试验（RCT）中，这一特征使得针对此类结局评估治疗效应的、具有科学意义的因果估计量的构建变得复杂。

为解决这一问题，已有研究提出了一些因果估计量，例如 [2, 3, 4]，但它们在实践中的应用仍然有限，部分原因在于缺乏一个用于比较和解释这些估计量的框架。与此同时，一系列估计方法也被开发出来以应对该问题，其中较为突出的是基于标志时间点法（landmarking）[5] 和联合建模方法 [6] 的估计器。然而，尽管因果估计量的核心作用已在 ICH E9 补充文件 [7] 以及近期倡导从单纯建模转向因果目标定义的工作中得到强调 [8]，但这些方法通常并未伴随对其所估计因果估计量的明确表述。与此一致的是，近期一篇关于处理 RCT 中死亡问题的方法综述总结了多种分析策略，但并未从因果估计量的角度对其进行框架化阐述 [1]。

在此背景下，我们的贡献体现在两个方面。首先，我们提出了一个通用的因果框架，以形式化在定义纵向结局的因果估计量时，因死亡导致截断所引发的挑战。在该框架内，我们回顾了若干现有估计量，并评估其可解释性。其次，针对每个选定的估计量，我们明确说明了获得无偏估计所需的假设，并开发了贝叶斯估计器以探究其统计行为。在通过模拟验证这些方法后，我们使用肌萎缩侧索硬化症（ALS）随机对照试验的数据说明了所提方法的应用。对于该疾病，美国食品药品监督管理局（FDA）要求试验必须同时评估治疗对总生存期和捕捉功能能力的纵向结局的影响 [9]。

2 | 动机示例与数据结构

2.1 | 肌萎缩侧索硬化症的治疗效应

本文考虑的动机示例是估计治疗对 ALS 中纵向功能评分的效应。ALS 是一种神经退行性疾病，其特征为运动功能的进行性丧失，并最终因呼吸衰竭导致死亡 [10]。从疾病发作起的中位生存时间约为 3–4 年 [10]。

日常活动中的功能能力，旨在捕捉患者的功能衰退，最常使用修订版 ALS 功能评分量表（ALSFRSr）[11] 进行评估，该量表为纵向评分，范围从 48 分到 0 分，分数越低表示疾病越严重。

因死亡而截断的纵向结局构成了 ALS 对照试验中的一个核心挑战，这促使了多种方法学方法的开发。美国食品药品监督管理局（FDA）在其 2019 年的指南中建议"采用一种将生存期与功能合并为单一总体度量的分析方法" [12]。作为回应，针对 ALS 已提出了几种复合估计量，包括功能与生存联合评估（CAFS）[13] 和患者排序功能顺序（PROOF）[14]。这些具有临床动机的估计量建立在更一般的基于秩次的估计量基础之上，例如 Wilcoxon–Mann–Whitney 估计量（详见第 4.4.2 节讨论），但其因果解释并不直接明了。近期，也有研究提出了一种基于模型的估计量 [15]。然而，该方法偏离了欧洲药品管理局（EMA）的建议 [7] 以及因果推断的一般原则，因为它通过强建模假设而非直接基于潜在结果来定义估计量。

3 | 估计目标

随机对照试验中招募的患者很少能代表目标人群。因此，我们聚焦于有限样本估计目标，而不考虑向超总体进行推广，因为后者需要额外的假设和仔细的分析 [16]。在本节中，我们回顾了经典的因果估计目标，讨论了因死亡截断所引发的挑战，并概述了为解决这些问题而提出的主要方法。

。。。。。。。。。

原文链接： https://arxiv.org/pdf/2604.26410