因果估計與貝葉斯估計

Longitudinal Outcomes Truncated by Death: Causal Estimands and Bayesian Estimators

因死亡截斷的縱向結果：因果估計與貝葉斯估計

https://arxiv.org/pdf/2604.26410

概述

本文聚焦于縱向隨訪研究中普遍存在的**“因死亡截斷”（Truncation by Death）**難題，系統構建了從因果目標定義到貝葉斯計算的完整分析框架。核心重點如下：

1. 問題本質與偏倚機制

   
   明確區分“缺失”（Missing）與“截斷”（Truncated）：死亡并非導致后續測量值“未觀測到”，而是使其“根本不存在”。傳統混合模型、條件分析或簡單多重插補會錯誤地將死亡后人群與存活人群混為一談，導致嚴重的生存選擇偏倚與因果解釋失效。

2. 因果估計量（Estimands）的嚴格界定

   
   基于 主分層（Principal Stratification）理論，厘清了死亡截斷下的合理因果目標。重點定義并討論了幸存者平均因果效應（SACE, Survivor Average Causal Effect） ，即僅針對“無論接受干預或對照均能存活”的潛在子群（Always-Survivors）的因果效應。該定義避免了將死亡作為中介變量或結果變量所引發的邏輯悖論，為臨床試驗與公共衛生干預評價提供了可識別的因果參數。

3. 貝葉斯聯合建模與估計策略

   
   提出一套靈活的 縱向-生存聯合貝葉斯框架 ：

   • 將縱向結局軌跡與死亡風險過程通過共享隨機效應或潛在變量耦合，自然刻畫截斷機制；
   • 利用先驗分布整合臨床先驗知識，緩解小樣本或低死亡率下的參數不可識別問題；
   • 通過MCMC算法直接采樣后驗分布，避免頻率學派方法對漸近正態性或強缺失假設的依賴，完整量化參數與預測的不確定性；
   • 支持非正態縱向分布、時變協變量、非比例風險等復雜現實場景。
4. 方法學驗證與實際應用

   
   通過系統的模擬研究對比了不同估計量與計算方法（如逆概率加權、條件模型、傳統插補），驗證了所提貝葉斯估計器在偏倚控制、覆蓋率與均方誤差方面的穩健性。結合真實臨床/隊列數據，展示了如何明確報告因果估計量、解釋后驗區間，并在干預效果評估中做出符合因果邏輯的推斷。

5. 實踐指導與規范建議

   
   強調在涉及競爭性死亡的研究中， 必須先明確因果估計量再選擇方法 ；推薦將貝葉斯聯合建模作為處理截斷型縱向數據的首選范式之一，并提供模型設定、先驗選擇、收斂診斷與敏感性分析的實操指南。

總結：本文在理論層面厘清了死亡截斷下的因果識別條件與估計量定義，在方法層面提供了可計算、可擴展、不確定性量化完整的貝葉斯估計方案，填補了縱向因果推斷中“目標定義-模型構建-計算實現”鏈條的關鍵空白，對臨床試驗設計、老年醫學、慢性病管理及流行病學研究具有直接的方法學指導價值。

摘要

為因死亡而截斷的縱向結果定義因果估計量具有挑戰性，因為在隨訪結束時結果可能是未定義的。盡管已經提出了一系列估計量和幾種估計方法，但關于潛在因果假設以及每種估計量最適用情境的指導仍然有限。

我們提出了一個框架，以闡明在因死亡導致刪失的縱向環境中定義因果估計量的挑戰。在此框架內，我們回顧了現有的估計量，并明確說明了其識別和估計所需的假設。我們為每種估計量開發了貝葉斯估計器，并在模擬研究中比較了它們的表現。最后，我們使用肌萎縮側索硬化癥（ALS）隨機對照試驗的數據來說明所提出的方法。

我們表明，主要困難源于因死亡而截斷的結果缺乏自然的排序和距離概念。這導致了一個固有的多因素問題。在此背景下，分層平均因果效應結合限制性平均生存時間，提供了對治療效果更完整的刻畫。

關鍵詞

因果推斷，潛在結果，因死亡刪失，主分層，隨機對照試驗（RCT），肌萎縮側索硬化癥（ALS）。

1 | 引言

生活質量（QOL）和患者報告結局（PROs）通常通過縱向測量獲得，是臨床分析中的關鍵終點，并且即使在死亡率較高的情境下也日益被視為不可或缺的指標 [1]。然而，在此類情境中，相當比例的患者可能在隨訪結束前死亡，導致縱向結局無法明確定義。在隨機對照試驗（RCT）中，這一特征使得針對此類結局評估治療效應的、具有科學意義的因果估計量的構建變得復雜。

為解決這一問題，已有研究提出了一些因果估計量，例如 [2, 3, 4]，但它們在實踐中的應用仍然有限，部分原因在于缺乏一個用于比較和解釋這些估計量的框架。與此同時，一系列估計方法也被開發出來以應對該問題，其中較為突出的是基于標志時間點法（landmarking）[5] 和聯合建模方法 [6] 的估計器。然而，盡管因果估計量的核心作用已在 ICH E9 補充文件 [7] 以及近期倡導從單純建模轉向因果目標定義的工作中得到強調 [8]，但這些方法通常并未伴隨對其所估計因果估計量的明確表述。與此一致的是，近期一篇關于處理 RCT 中死亡問題的方法綜述總結了多種分析策略，但并未從因果估計量的角度對其進行框架化闡述 [1]。

在此背景下，我們的貢獻體現在兩個方面。首先，我們提出了一個通用的因果框架，以形式化在定義縱向結局的因果估計量時，因死亡導致截斷所引發的挑戰。在該框架內，我們回顧了若干現有估計量，并評估其可解釋性。其次，針對每個選定的估計量，我們明確說明了獲得無偏估計所需的假設，并開發了貝葉斯估計器以探究其統計行為。在通過模擬驗證這些方法后，我們使用肌萎縮側索硬化癥（ALS）隨機對照試驗的數據說明了所提方法的應用。對于該疾病，美國食品藥品監督管理局（FDA）要求試驗必須同時評估治療對總生存期和捕捉功能能力的縱向結局的影響 [9]。

2 | 動機示例與數據結構

2.1 | 肌萎縮側索硬化癥的治療效應

本文考慮的動機示例是估計治療對 ALS 中縱向功能評分的效應。ALS 是一種神經退行性疾病，其特征為運動功能的進行性喪失，并最終因呼吸衰竭導致死亡 [10]。從疾病發作起的中位生存時間約為 3–4 年 [10]。

日?；顒又械墓δ苣芰?，旨在捕捉患者的功能衰退，最常使用修訂版 ALS 功能評分量表（ALSFRSr）[11] 進行評估，該量表為縱向評分，范圍從 48 分到 0 分，分數越低表示疾病越嚴重。

因死亡而截斷的縱向結局構成了 ALS 對照試驗中的一個核心挑戰，這促使了多種方法學方法的開發。美國食品藥品監督管理局（FDA）在其 2019 年的指南中建議"采用一種將生存期與功能合并為單一總體度量的分析方法" [12]。作為回應，針對 ALS 已提出了幾種復合估計量，包括功能與生存聯合評估（CAFS）[13] 和患者排序功能順序（PROOF）[14]。這些具有臨床動機的估計量建立在更一般的基于秩次的估計量基礎之上，例如 Wilcoxon–Mann–Whitney 估計量（詳見第 4.4.2 節討論），但其因果解釋并不直接明了。近期，也有研究提出了一種基于模型的估計量 [15]。然而，該方法偏離了歐洲藥品管理局（EMA）的建議 [7] 以及因果推斷的一般原則，因為它通過強建模假設而非直接基于潛在結果來定義估計量。

3 | 估計目標

隨機對照試驗中招募的患者很少能代表目標人群。因此，我們聚焦于有限樣本估計目標，而不考慮向超總體進行推廣，因為后者需要額外的假設和仔細的分析 [16]。在本節中，我們回顧了經典的因果估計目標，討論了因死亡截斷所引發的挑戰，并概述了為解決這些問題而提出的主要方法。

。。。。。。。。。

原文鏈接： https://arxiv.org/pdf/2604.26410