《CPT: Pharmacometrics & Systems Pharmacology》:Causal Exposure-Response Analysis: Estimands, Time-Varying Confounding, and the Parametric g-Formula
编辑推荐:
摘要
暴露-反应(exposure-response, ER)分析常为临床药物开发中的剂量选择提供依据,但其背后的因果假设很少被明确阐述。实践中常用的暴露指标存在局限性:时间至事件(time-to-event)指标依赖于结局且因果不连贯;稳态(steady-s
摘要
暴露-反应(exposure-response, ER)分析常为临床药物开发中的剂量选择提供依据,但其背后的因果假设很少被明确阐述。实践中常用的暴露指标存在局限性:时间至事件(time-to-event)指标依赖于结局且因果不连贯;稳态(steady-state)指标可能引入永存时间偏倚;早期(early)指标虽可辩护,但需对后期暴露做出未声明的假设或进行狭义解读。除指标选择外,即便使用理想的早期或时变暴露指标,挑战依然存在,因为剂量随机化仅能保护由分配剂量驱动的暴露变异部分免受混杂影响。治疗期间的临床变量可同时影响暴露与反应,引发时依混杂(time-varying confounding),而随机化、基线调整或朴素的时依协变量调整均无法处理这一问题。本研究采用有向无环图(directed acyclic graph, DAG)形式化因果结构,并将平均因果暴露-反应曲线(average causal exposure-response curve, ACERC)定义为时依混杂下ER分析的目标估计目标(estimand)。研究人员将参数化g公式(parametric g-formula)适配于该因果估计目标,并明确陈述所需假设,包括关键的一致性(consistency)和无多种版本处理(no-multiple-versions-of-treatment, NMVT)假设,及其对定义暴露指标的含义。群体药代动力学(population pharmacokinetic, popPK)建模在计算暴露指标之外发挥重要作用,部分解决了无测量误差假设,并通过现有软件实现g公式。两个以肿瘤学为动机的模拟场景分别展示了剂量介导和PK介导的混杂效应。模拟研究表明,在指定的时依混杂条件下,g公式能够恢复因果ER估计值,而标准方法则存在偏差。将popPK建模与现有g公式软件相结合的两步工作流程,为后续发展提供了一个实用模板。
一、研究背景与问题提出
在临床药物开发中,暴露-反应(exposure-response, ER)分析常被用于指导剂量选择。然而,由于个体并非随机分配至不同暴露水平,ER分析的结果易受混杂因素干扰,导致观察到的关联可能具有误导性。混杂的发生源于某个共同变量同时因果性地影响暴露与反应。随机化仅能保护由分配剂量驱动的暴露变异部分免受混杂,却无法处理由药代动力学(pharmacokinetic, PK)因素带来的暴露变异。随着治疗的推进,暴露随时间演变,其他动态变化的临床变量可能成为时依混杂因子(time-varying confounders),这些变量还可能介导暴露对反应的部分效应。两种典型的时依混杂机制包括:剂量调整(即剂量介导的混杂)和时变药代动力学(即PK介导的混杂)。
当前常用的暴露指标各有缺陷:时间至事件(time-to-event)指标具有结局依赖性且因果不连贯;稳态(steady-state)指标易受时依混杂影响并引入选择偏倚和永存时间偏倚;早期(early)指标虽可辩护但无法捕捉暴露随时间的累积变化,其解释范围狭窄;时变暴露指标在固定和适应性给药方案下具有良好的统计性质,但适应性给药本身就是剂量介导混杂的来源,此时标准的时变生存模型无法针对明确定义的因果估计目标(estimand)进行推断。这些失败模式共同反映了缺乏明确定义的因果估计目标这一根本问题。
为解决时依混杂问题,研究人员引入了Robins等人发展的g方法(g-methods),其中参数化g公式(parametric g-formula)已被广泛应用于流行病学领域。尽管已有学者将因果框架应用于剂量-暴露-反应关系,但针对ER分析中时依混杂的系统性因果形式化及相应估计方法仍属空白。因此,本研究旨在:(1)利用有向无环图(directed acyclic graph, DAG)形式化时依混杂下的因果结构;(2)将平均因果暴露-反应曲线(average causal exposure-response curve, ACERC)定义为目标估计目标;(3)适配参数化g公式以估计该因果量;(4)通过模拟研究验证其在典型时依混杂场景下的性能。
二、关键技术方法
研究人员采用的主要技术方法包括:
- 1.
有向无环图(DAG)构建:建立离散时间DAG以形式化重复给药下剂量介导和PK介导的时依混杂因果结构。图中包含剂量(Dk)、潜在暴露(Xk)、生物标志物(Lk)、二元反应事件(Yk)以及基线属性(UL、UCL)等节点,时间离散化为K个区间。
- 2.
参数化g公式:针对所定义的ACERC估计目标,采用生存数据形式的参数化g公式。该方法通过对可能的生物标志物历史进行蒙特卡洛模拟求均值,而非条件化于生物标志物,从而在不诱导过度调整偏倚的前提下校正时依混杂。具体实现借助gfoRmula R包完成三个基本步骤:拟合反应模型和生物标志物演化模型、通过蒙特卡洛模拟计算平均人群反应、以及通过自助法计算置信区间。
- 3.
群体药代动力学(popPK)建模:由于平均暴露(Xk)无法直接观测,仅能获得间歇性的PK样本,研究人员利用popPK模型从观测浓度数据中插补潜在的时变暴露值。该模型在一定程度上缓解了原始测量误差,但无法消除所有残差插补误差。
- 4.
模拟研究设计:研究人员设定了两个以肿瘤学为动机的模拟场景——剂量介导混杂场景(模拟中性粒细胞减少样不良事件)和PK介导混杂场景(模拟疾病负担通过靶点介导或疾病介导机制抑制清除),各包含250个独立数据集,每数据集200名受试者。将g公式与八种标准ER方法(基于早期、稳态和时间平均暴露指标的logistic回归和池化logistic回归模型,以及未经调整和经基线调整的时变暴露生存模型)进行比较,以RMSE和偏倚作为精度指标。
三、研究结果
3.1 剂量介导混杂
在该场景中,生物标志物追踪不良事件严重程度,其下降会增加剂量中断概率(降低暴露)和不良事件发生概率(反应)。混杂方向意味着生物标志物变化在降低暴露的同时也增加反应概率,因此朴素估计的ER关系将被拉平,表观因果效应被衰减。结果显示,g公式的估计曲线紧密跟踪真实ACERC,在所有比较方法中表现最优。数值上,g公式在绝对风险估计和风险差(平均处理效应,ATE)上的RMSE和偏倚均小于所有标准方法。早期指标高估、稳态指标低估绝对风险;时间平均暴露指标和时变生存模型严重低估ATE,甚至难以检测真实的阳性ER关系。
3.2 PK介导混杂
在该场景中,生物标志物对应疾病负荷(如肿瘤大小),治疗抑制生物标志物从而降低疾病进展风险。混杂方向相反:生物标志物抑制同时增加暴露(通过降低清除率)并降低事件概率,因此朴素估计的ER关系将更陡峭,暴露的保护效应被高估。结果表明,g公式再次紧密追踪真实ACERC,其ATE和绝对风险估计的RMSE和偏倚均显著小于所有标准方法。各标准方法一致高估ATE的幅度,时间平均暴露指标和时变生存模型的ATE偏倚约为真实效应量的1至3倍。
四、讨论与结论
讨论总结:大多数药物开发决策本质上涉及因果预测,而剂量-反应推断受限于特定制剂、方案和递送机制,难以跨设计维度推广。ER分析的关键贡献在于将剂量-暴露-反应关系分解为两个可分离的问题:剂量是否达到充分暴露?该暴露是否足以驱动反应?这种分解使得制剂、方案和递送方式的模块化优化成为可能。理想的ER曲线应量化药物本身的真实因果效应,排除PK变异的影响。因果估计目标(如ACERC)可用于近似这一理想状态,前提是满足必要的因果假设。
关于暴露的可操作性,研究人员指出,即使暴露不能完全通过药物递送操控,只要因果框架提供了足够的精确性(通过无多种版本处理假设排除与平均系统性暴露无关的潜在因果路径),因果ER关系仍然具有价值,因为它针对的是跨递送方式可迁移的估计目标。NMVT假设弱于传统ER模型中用一个单一指标概括整个浓度-时间曲线的未声明假设。
在方法学意义上,本研究的DAG和目标估计目标有助于澄清暴露指标选择的一般性问题:在暴露历史随时间动态混杂的情况下,没有任何静态暴露指标能胜任。时变暴露建模是必要的但不足够,g公式正确处理了时变暴露和混杂历史以估计暴露的总平均因果效应。当前的两步工作流程(popPK建模结合gfoRmula R包)无需新软件即可实施,可视为传统ER工作流程的扩展。
研究结论翻译:混杂可以压制、反转或制造虚假的ER关系。为避免此类偏倚,必须为ER分析形式化一个通用的因果模型和估计目标。本研究提出了一个适用于ER分析的通用DAG,能够同时捕获PK介导和剂量介导的时依混杂,同时也将各种静态ER场景作为特例涵盖在内。基于该因果模型,ACERC被形式化为感兴趣的因果估计目标,g公式被适配为相应的估计器。研究表明,在研究的时依混杂条件下,使用常见暴露指标和标准调整实践的logistic回归和生存模型等标准ER方法是不准确的。参数化g公式能够在研究的场景中恢复稳定的ACERC因果估计值,并优于标准方法。