📊 statistics

Strategy to control biases in prior event rate ratio method, with application to palliative care in patients with advanced cancer

该研究提出了一种通过引入治疗与时期交互项来校正先验事件率比（PERR）方法中因群体异质性和事件依赖性治疗所导致偏差的分析策略，并通过模拟及晚期癌症患者姑息治疗数据的实证分析验证了该方法的有效性。

原作者： Xiangmei Ma, Grace Meijuan Yang, Qingyuan Zhuang, Yin Bun Cheung

发布于 2026-03-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Xiangmei Ma, Grace Meijuan Yang, Qingyuan Zhuang, Yin Bun Cheung

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章主要讲的是如何在医学研究中，更聪明、更准确地判断某种治疗（比如临终关怀）是否真的有效。

想象一下，你是一位侦探，手里有一堆关于病人看急诊和接受治疗的记录（这就是“现实世界数据”）。你的任务是找出：是因为接受了“临终关怀”，病人才少去了急诊？还是因为病情本身的原因？

传统的统计方法就像是一个有点“近视”的侦探，容易看错。这篇文章提出了一套新的“侦探技巧”，专门用来修正两个常见的“看错”原因。

1. 核心问题：为什么以前的方法会“看错”？

在研究里，我们通常把病人分成两组：

治疗组：接受了临终关怀的人。
对照组：没接受临终关怀的人。

以前的方法（叫 PERR 法）有个大前提，假设这两组人除了“有没有接受治疗”之外，其他方面（比如病情严重程度、身体底子）是一模一样的。但现实往往不是这样。

这篇文章指出了两个让侦探“晕头转向”的陷阱：

陷阱一：看不见的“体质差异” (Unobserved Heterogeneity)

比喻：选跑鞋
想象你要比较两双跑鞋（A 鞋和 B 鞋）谁跑得快。

旧方法：你找了一群平时就爱跑步的人穿 A 鞋，又找了一群平时不爱动的人穿 B 鞋。结果发现穿 A 鞋的人跑得快。
问题：真的是鞋好吗？不，是因为穿 A 鞋的人本来体质就好（这就是“看不见的体质差异”）。
后果：你会错误地认为 A 鞋是神鞋，其实只是人好。在医学上，这意味着你可能高估或低估了治疗的效果，因为那些病情特别重的人可能更容易被选入治疗组。

陷阱二：病情反过来影响治疗 (Event-Dependent Treatment)

比喻：因为感冒才去买药
想象你在研究“吃感冒药”能不能减少“发烧”。

旧方法：假设大家吃药的时间是随机的。
问题：现实中，往往是先发烧了（事件发生），大家才赶紧去买药（开始治疗）。
后果：如果你只看吃药后的数据，会发现吃药的人发烧很严重。但这并不是药没用，而是因为他们是因为病重才吃药的。如果忽略了“因为病重才吃药”这个时间差，你就会误以为药是有害的，或者完全没效果。

2. 这篇文章的“新侦探技巧”

作者提出了一套新的策略，专门解决上面两个问题：

技巧一：用“老练的侦探”代替“近视侦探” (解决陷阱一)

他们把原来的统计模型升级了。

旧模型：只看每个人“第一次”出事的时间。这就像只看一个人第一次摔倒，就判断他走路稳不稳，忽略了后面可能摔了更多次。
新模型：他们使用了一种叫 Andersen-Gill (AG) 的模型。这就像是一个经验丰富的侦探，他不仅看第一次摔倒，还看这个人所有摔倒的次数和频率。
效果：这样就能把那些“体质差、容易摔倒”的人的影响剔除掉，更公平地比较治疗组和控制组。

技巧二：给时间线“倒带”和“重排” (解决陷阱二)

这是文章最精彩的部分。他们发现，如果病人是因为刚发生了急诊（事件），才决定去接受临终关怀（治疗），那么治疗开始的时间点就被“推后”了。

比喻：调整起跑线
想象一场赛跑。
- 旧方法：大家从同一条起跑线开始跑。
- 现实：有些选手因为刚摔了一跤（急诊），才决定换双鞋（开始治疗）。如果直接比较，换鞋的人起点其实已经落后了。
- 新方法：作者发明了一个算法，根据“摔了一跤”对“换鞋”的影响程度，把控制组（没换鞋的人）的起跑线也往后挪一挪。
- 逻辑：既然治疗组的人是因为“摔了跤”才晚换鞋，那我们就假设控制组的人如果也“摔了跤”，他们的“换鞋时间”也会晚。我们把控制组的时间线模拟成“如果他们也摔了跤会怎样”，然后重新比较。这样，两边的起跑线就真正公平了。

3. 实际案例：临终关怀真的能减少去急诊吗？

作者用这套新技巧，重新分析了一组新加坡癌症病人的真实数据。

旧看法（没修正前）：
- 用普通方法算：接受临终关怀的病人，去急诊的次数似乎减少了（看起来很有用）。
- 用 AG 模型（只修正了体质差异）算：效果更明显，似乎减少了 30% 以上。
- 但是，数据里藏着一个秘密：那些病情突然恶化、频繁去急诊的病人，往往是在去急诊之后才紧急联系临终关怀的。
新看法（修正了两个陷阱后）：
- 作者发现，确实存在“因为急诊才找临终关怀”的情况（事件依赖治疗）。
- 当他们用新技巧把时间线“重排”、把起跑线“对齐”后，神奇的事情发生了：临终关怀对减少急诊次数，效果变成了“零”（统计上无显著差异）。
- 结论：之前看到的“减少急诊”，其实是因为那些病情本来就很重、本来就容易去急诊的人，恰好接受了临终关怀。并不是临终关怀把急诊次数“变”少了，而是两组人本来就不一样。

总结

这篇文章就像给医学研究提供了一套更精密的“防作弊”系统：

以前：我们容易把“病人本身病情重”误认为是“治疗没用”，或者把“因为病重才治疗”误认为是“治疗无效”。
现在：通过升级统计模型（看全过程）和重新排列时间线（模拟公平起跑），我们能更清楚地看到治疗的真实效果。

一句话概括：
这就好比在比较两辆车谁省油，以前我们没注意其中一辆车本来就在爬坡（病情重），现在作者发明了一种方法，把两辆车都放到平路上，并且考虑到司机是因为车坏了才去修车（事件影响治疗），从而算出了真正公平的油耗数据。这对于制定医疗政策、判断药物或疗法是否真的有效，至关重要。

这是一份关于《控制先验事件率比（PERR）方法中偏差的策略及其在晚期癌症姑息治疗中的应用》（Strategy to control biases in prior event rate ratio method, with application to palliative care in patients with advanced cancer）的论文详细技术总结。

1. 研究背景与问题 (Problem)

背景：
真实世界证据（RWE）在评估治疗效果方面日益重要，但面临混杂因素（Confounding）的严重威胁。先验事件率比（Prior Event Rate Ratio, PERR） 是一种用于控制测量或未测量混杂因素的方法。其核心思想是将观察期分为“治疗前”和“治疗后”两个阶段，通过比较两组（治疗组与对照组）在两个阶段的危险比（Hazard Ratio, HR）的比值来估计治疗效果。

核心问题：
PERR 方法依赖于几个关键假设，当这些假设被违反时，会产生偏差。本文重点解决两个主要假设的违反问题：

人群同质性假设（Population Homogeneity）的违反： 传统的 PERR 基于 Cox 比例风险模型，该模型隐含假设人群是同质的。然而，现实中存在未观测到的异质性（Unobserved Heterogeneity）（即“脆弱性”或 Frailty），这会导致选择偏差，使 PERR 估计产生偏差。
事件独立治疗假设（Event-Independent Treatment）的违反： PERR 假设结果事件的发生不会影响治疗开始的速率。如果结果事件（如急诊就诊）反过来影响了治疗开始的时间（例如，病情加重导致更早或更晚开始姑息治疗），这种现象称为事件依赖性治疗（Event-Dependent Treatment, EDT）。目前缺乏针对 EDT 导致偏差的校正方法。

2. 方法论 (Methodology)

作者提出了一套分析策略，旨在修正上述两种偏差：

A. 模型重构与异质性偏差校正

模型重构： 将传统的 PERR 方法（分别拟合两个 Cox 模型）重构为单个 Cox 模型，引入“治疗×时期”交互项（Treatment-by-Period Interaction）。
- 公式： $\lambda_i(t) = \lambda_0(t) \exp(\beta_1 \times trt_i + \beta_2 \times post_i + \beta_3 \times trt_i \times post_i)$
- 其中， $\exp(\beta_3)$ 即为 PERR 估计值。
引入 Andersen-Gill (AG) 模型： 为了克服未观测异质性带来的偏差，作者建议用 Andersen-Gill (AG) 模型 替代传统的 Cox 模型。
- AG 模型是处理重复事件数据的扩展 Cox 模型，它对未观测异质性具有鲁棒性（Robustness）。
- 通过 AG 模型估计的 PERR 记为 $PERR_{AG}$ ，能够消除因“脆弱性”导致的偏差。

B. 事件依赖性治疗（EDT）的检测与校正

检测机制：
- 定义参数 $\theta$ （事件对治疗速率的影响倍数）和 $\delta$ （影响持续的时间长度）。
- 提出一种探索性分析方法：将治疗前时期划分为多个子区间（例如 $M$ 个），在 AG 模型中拟合这些区间与治疗组的交互项。
- 通过统计显著性确定是否存在 EDT 以及影响持续的时间 $\hat{\delta}$ 和强度 $\hat{\theta}$ 。
校正算法：
- 一旦检测到 EDT，利用估计出的 $\hat{\delta}$ 和 $\hat{\theta}$ ，对对照组的“索引时间”（Index Time，即治疗开始时间的对应点）进行调整。
- 根据公式 $\Delta t_i$ 计算时间偏移量，将对照组的时间点向前或向后移动，以模拟如果不存在 EDT 时的状态。
- 使用调整后的对照组数据（ $data(control^*)$ ）与原始治疗组数据（$data(treat) $）重新进行$ PERR_{AG}$ 分析，从而消除 EDT 带来的偏差。

3. 关键贡献 (Key Contributions)

模型形式的简化与扩展： 证明了 PERR 可以通过单个带有交互项的 Cox 模型实现，并成功将其扩展至 AG 模型，从而解决了未观测异质性导致的偏差问题。
首创 EDT 校正方法： 提出了世界上首个针对 PERR 方法中“事件依赖性治疗”偏差的检测与校正算法。
实证应用： 将上述策略应用于新加坡晚期癌症患者的姑息治疗（Palliative Care, PC）与急诊科（ED）就诊的真实世界数据中，展示了该方法在实际研究中的重要性。

4. 研究结果 (Results)

A. 模拟研究 (Simulation)

异质性偏差： 在存在未观测异质性的情况下，传统 PERR 和基于 Cox 的 PERR ( $PERR_{Cox}$ ) 均表现出偏差（覆盖率低于 95%）。相比之下，基于 AG 模型的 $PERR_{AG}$ 无偏且均方根误差（RMSE）更小。
EDT 检测与校正：
- 在强 EDT 效应下（ $\theta=1/4$ 或 $4 $），该方法能准确估计持续时间$ \delta$（概率约 92%-96%）。
- 校正效果显著： 在未校正 EDT 的情况下，PERR 估计值偏差严重，95% 置信区间覆盖率低至 38.6%。经过校正后，估计值接近真实治疗效应，覆盖率恢复至 95% 左右，RMSE 显著降低。

B. 姑息治疗实证研究 (Palliative Care Study)

数据： 2571 名晚期癌症患者，匹配后得到 1658 名患者（829 名治疗组，829 名对照组）。
传统分析结果：
- Cox 模型显示，接受姑息治疗的患者 ED 就诊风险更高（HR 3.31）。
- 传统 PERR ( $PERR_{Cox}$ ) 显示姑息治疗使 ED 就诊减少了 19% (HR = 0.81, 95% CI: 0.64-1.02)，提示有保护作用。
- $PERR_{AG}$ (未校正 EDT) 显示减少 31% (HR = 0.69)。
EDT 检测： 发现 ED 就诊率在开始姑息治疗前的 5 周内显著升高（ $\hat{\theta} \approx 4.76$ ），表明病情恶化导致患者更早接受姑息治疗（EDT 效应）。
校正后结果： 应用 EDT 校正策略后，调整后的 PERR 估计值为 1.00 (95% CI: 0.79-1.26)。
结论转变： 校正前的分析暗示姑息治疗能减少急诊就诊，而校正后的分析表明姑息治疗对急诊就诊率没有显著影响。这一发现揭示了忽视 EDT 偏差会导致完全错误的临床结论。

5. 意义与局限性 (Significance & Limitations)

意义：

方法论创新： 丰富了真实世界证据研究的工具箱，特别是为 PERR 方法提供了更严谨的统计基础。
临床启示： 在姑息治疗研究中，如果不考虑“病情恶化导致提前治疗”这一反向因果（EDT），可能会错误地高估治疗对减少急性医疗资源使用的效果。
推广价值： 该策略可应用于其他存在类似偏差风险的真实世界药物或干预效果评估中。

局限性：

校正的非完全性： 校正方法基于启发式算法，无法完全消除所有偏差，置信区间的覆盖率可能仍与目标水平略有差异。
参数选择的主观性： 在检测 EDT 时，子区间的数量（ $M$ ）和宽度（ $\delta$ ）需要基于临床知识进行初步猜测，缺乏绝对的数学指导。
未解决的假设： 该方法未处理“先验事件率影响后验事件率”这一假设（即事件本身在时间上的自相关性），这仍是未来研究的方向。

总结：
本文提出了一种改进的 PERR 分析框架，通过结合 AG 模型解决异质性偏差，并开发了一套独特的算法来检测和校正事件依赖性治疗偏差。在新加坡姑息治疗的实证研究中，该方法成功将原本看似“有效”的结论修正为“无效”，凸显了在真实世界研究中正确处理时间依赖性偏差的重要性。