《Statistics in Medicine》:Generalizing Conditional Average Treatment Effects From Nested Randomized Trials to Trial-Eligible Individuals
编辑推荐:
随机对照试验常常纳入其特征与目标人群不同的受试者。当效应修饰因素的分布在试验受试者与目标人群之间存在差异时,试验内估计的处理效应可能无法直接适用于所有试验合格个体。尽管在将平均处理效应从随机试验推广至目标人群方面已取得显著进展,临床与政策决策通常依赖于条件平均
随机对照试验常常纳入其特征与目标人群不同的受试者。当效应修饰因素的分布在试验受试者与目标人群之间存在差异时,试验内估计的处理效应可能无法直接适用于所有试验合格个体。尽管在将平均处理效应从随机试验推广至目标人群方面已取得显著进展,临床与政策决策通常依赖于条件平均处理效应(conditional average treatment effects, CATEs),后者刻画目标人群中选定效应修饰因素上的效应异质性。在本研究中,研究人员提供了一种在嵌套试验设计(nested trial design)下估计试验合格个体目标人群中CATEs的统一方法。该方法首先使用数据自适应方法估计 nuisance 函数,并基于条件影响函数(conditional influence functions)构造伪结局(pseudo-outcomes)。随后,利用局部线性(核)回归(local linear (kernel) regression)将这些伪结局对预先指定的效应修饰因素进行回归,以获得CATE函数的平滑估计。研究人员在样本分割与交叉拟合(sample splitting and cross-fitting)下建立了渐近性质,并给出了第一阶段 nuisance 估计对最终估计量影响可忽略的条件。研究人员通过模拟研究评估了所提估计量的有限样本性能,并将其应用于冠状动脉外科手术研究(Coronary Artery Surgery Study, CASS)以说明实际用途。
# 从嵌套随机试验到目标人群:条件平均处理效应的推广估计方法解读
## 研究背景与问题
随机对照试验(randomized controlled trials, RCTs)是评估干预措施效果的黄金标准,其通常报告平均处理效应(average treatment effect, ATE)。然而,临床决策往往需要了解处理效应如何随患者基线特征而变化,即条件平均处理效应(conditional average treatment effects, CATEs)。CATE函数刻画了处理效应在选定的效应修饰因素(effect modifiers)不同取值上的变化规律。与此同时,试验受试者往往不能代表更广泛的目标人群,尤其是当试验参与与目标人群在关键效应修饰因素上存在分布差异时,从试验内部估计的ATE或CATE可能无法直接推广至所有试验合格个体。
在已有文献中,关于可推广性(generalizability)和可移植性(transportability)的研究主要集中于将ATE从随机试验扩展到目标人群,而对CATE的推广关注相对较少。少数已有方法局限于少量离散或离散化协变量的亚组特异ATE,或依赖参数模型对nuisance函数及CATE函数进行回归,难以处理连续或多个效应修饰因素。与此同时,灵活的机器学习CATE估计方法通常假设研究人群与目标人群重合,无法处理选择性试验参与。因此,研究人员提出了一种统一框架,在嵌套试验设计(nested trial design)下,将灵活CATE估计与半参数可推广性技术相结合,以估计目标人群中试验合格个体的CATE。
## 研究目的与结论
研究人员开发了一种基于条件影响函数(conditional influence functions)的去偏机器学习方法。该方法在第一阶段使用数据自适应(机器学习)方法估计nuisance函数,并构造伪结局(pseudo-outcomes),其条件期望对应于目标人群CATE;第二阶段使用局部线性(核)回归(local linear kernel regression)将伪结局对选定的效应修饰因素回归,得到CATE函数的平滑估计。该方法允许连续的、多变量的效应修饰因素,无需离散化或对CATE函数作参数模型假设。
研究人员在样本分割和交叉拟合(sample splitting and cross-fitting)下建立了所提估计量的渐近性质,证明第一阶段nuisance估计误差对最终估计量的影响渐近可忽略,使估计量达到与nuisance函数已知时相同的收敛速率。模拟研究显示,与朴素的线性回归替代方案相比,所提局部线性回归估计量大幅降低了偏差,且置信区间覆盖率接近名义水平。在冠状动脉外科手术研究(CASS)应用中,研究人员估计了冠状动脉旁路移植术(surgery)与药物治疗(medical therapy)对10年死亡率的CATE,以既往心肌梗死史分层,并作为左心室射血分数的函数。结果显示,CATE随射血分数变化,且在有心肌梗死史的患者中呈近似单调增加趋势。
## 关键技术方法
研究人员使用的主要技术方法包括:(1)基于条件影响函数构造伪结局,该条件影响函数是边际影响函数的条件类推,满足条件Neyman正交性,使第一阶段nuisance估计误差对CATE估计的影响可忽略;(2)采用局部线性(核)回归作为第二阶段的平滑回归方法,可处理连续及多元效应修饰因素;(3)使用样本分割和交叉拟合以避免过拟合,保证渐近性质;(4)采用Super Learner集成学习估计nuisance函数,其候选库包含广义线性模型、梯度提升、广义加性模型、多元自适应回归样条、神经网络和随机森林等算法;(5)通过交叉验证选择带宽参数。在模拟研究中,数据生成遵循Dahabreh等人的嵌套试验设定,比较了二分类和连续结局。在CASS应用中,分析样本包括1686名试验合格患者(731名随机化患者和955名非随机化患者),数据来源于公开的NHLBI BioLINCC存储库。
## 研究结果
### 模拟研究结果
模拟研究针对二分类和连续结局比较了所提局部线性回归估计量与朴素的线性回归替代方案。结果表明,在所有样本量设置下,局部线性回归估计量相对于朴素回归方法大幅降低了集成绝对偏差。随着随机化样本量n1的增加(在固定队列规模n下),除朴素回归估计量外,各估计量的集成绝对偏差均下降。所提估计量的置信区间覆盖率在二分类结局中接近名义水平(如n1=200, n=1000时覆盖率为92%),在连续结局中略低(88%)。进一步将覆盖率针对模拟平均估计值而非真实CATE进行评估时,覆盖率提高到93%–95%(n1=200)和90%–91%(n1=500),表明区间宽度合适,有限样本偏差导致了轻微偏移。此外,仅使用试验数据的估计器在二分类结局中始终产生偏倚,因为所有协变量均在风险差尺度上作为效应修饰因素;在连续结局中,当存在多个效应修饰因素但仅使用子集时也会产生显著偏倚。
### CASS数据分析结果
CASS数据中,非随机化患者更可能使用β受体阻滞剂,且左主干冠状动脉阻塞百分比和左心室壁评分更高。核密度估计显示随机化与非随机化个体的试验参与概率分布有实质重叠,最小估计概率约0.15,支持试验结果向试验合格人群推广的协变量支持条件。研究人员以既往心肌梗死史分层,估计了10年死亡率风险差(手术对比药物治疗)作为射血分数的函数。在有心肌梗死史的患者中,平滑CATE从射血分数低端的风险差约?0.27近似线性增加至高端的约0.20;在无心肌梗死史的患者中,CATE从低端约?0.26先下降,中段保持接近零,随后在高端增加至约0.15。在代表性射血分数值处(40%、45%、55%),有心肌梗死史患者的风险差估计分别为?0.24(95% CI: ?0.41至?0.08)、?0.11(95% CI: ?0.29至0.06)和0.07(95% CI: ?0.14至0.28);无心肌梗死史患者对应估计分别为?0.21(95% CI: ?0.44至0.02)、?0.10(95% CI: ?0.27至0.07)和0.05(95% CI: ?0.09至0.20)。结果与Robertson等人使用参数模型和样条回归的分析大致一致,但所提方法在低射血分数区域(数据稀疏)表现出更大的不确定性。
## 讨论与结论总结
讨论部分指出,即使在效应修饰因素子集得到合理论证的情况下,仅从试验数据估计的CATE仍可能因其他效应修饰因素的条件分布在试验与目标人群间存在差异而无法直接推广。所提框架通过分离用于调整选择性试验参与的变量与用于定义处理效应异质性的变量,允许研究人员调整丰富的协变量集,同时将处理效应总结限制在较少且有临床意义的效应修饰因素上,避免了限制性参数假设。研究人员的推断目标是CATE的平滑版本,这在有限样本中提高了稳定性;针对点态参数的精确推断可能需要欠平滑或偏差校正,未来工作将探索将鲁棒偏差校正技术整合入当前框架。此外,算法采用样本分割但未按试验参与状态分层;当随机试验规模相对于非随机试验合格个体较小时,按S分层可能改善有限样本性能,这同样值得未来研究。
研究结论:研究人员提供了一种在嵌套试验设计下估计目标人群CATE的统一半参数框架,结合数据自适应的nuisance估计与局部非参数回归,能够灵活、可解释地估计目标人群中的处理效应异质性,同时避免参数模型限制,并具备完善的渐近理论支持。应用CASS数据证明了该方法的实用性,为临床决策提供了更贴近目标人群的效应异质性证据。