🧬 biology

A proxy-based approach for unmeasured confounding in electronic health records research

该论文提出了一种利用向量代理变量构建协变量以校正电子健康记录研究中未测量混杂的新方法，通过因子分析结合回归实现，并在模拟与真实临床场景（如老年胸痛患者住院效应评估）中验证了其在模型误设下的稳健性及实用价值。

原作者： Haley Colgate Kottler, Amy Cochran

发布于 2026-03-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Haley Colgate Kottler, Amy Cochran

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

这篇论文主要解决了一个在医疗数据分析中非常头疼的问题：当我们想研究某种治疗（比如住院）是否有效时，总有一些“看不见的因素”在捣乱，导致我们算错结果。

作者提出了一种聪明的新方法，利用医生已经记录在案的大量“侧面线索”（比如体温、血压等），像侦探一样把这些线索拼凑起来，还原出那个“看不见的因素”，从而得到更准确的治疗效果评估。

为了让你更容易理解，我们可以用几个生活中的比喻来拆解这篇论文：

1. 核心难题：看不见的“捣乱者”

想象一下，你想研究“吃某种补品（治疗 A）”是否能让“人变强壮（结果 Y）”。
但在医院里，医生记录的数据（电子病历）里，有些因素是没被记录下来的（比如病人的基因、长期的生活习惯、或者某种隐形的心理压力）。我们把这些没记录的因素叫作**“未测量的混杂因素”（U）**。

问题所在：如果那些身体本来就很差的人（U 很大），因为身体差所以更倾向于吃补品（A），而身体好的人不吃。最后发现吃补品的人反而死得更多。你会误以为补品有毒，其实是因为他们本来身体就差。这就是**“未测量的混杂”**。

2. 现有的笨办法 vs. 作者的聪明办法

笨办法（直接调整）：
以前的方法试图把那些“没记录的因素”直接当成“记录了的”来处理。这就像是你试图通过看一个人的鞋子（代理变量 Z）来直接推断他的身高（未测量因素 U），然后直接拿鞋子去修正你的结论。

后果：鞋子大的人不一定高（可能是脚大），直接拿鞋子去修正，反而会把结论带偏，甚至越修越错。

作者的聪明办法（拼凑线索）：
作者说：“别急着把鞋子当成身高。我们要把所有关于这个人的侧面线索（Z）——比如鞋子、帽子、眼镜、甚至他走路的姿势——都收集起来。”

核心思想：虽然单看鞋子不能代表身高，但如果你把鞋子、帽子、眼镜、走路姿势放在一起看，就能非常精准地推算出这个人的真实身高（U）。
具体操作：
1. 第一步（拼图）：利用统计学工具（因子分析），把医生记录的一堆生命体征（心率、血压、体温等）像拼图一样拼起来，构建出一个“虚拟的身高指标”。这个指标虽然不是直接测量的，但它完美地捕捉了那些“看不见的因素”。
2. 第二步（修正）：把这个“虚拟指标”放进你的计算公式里，就像你手里多了一把尺子，现在可以准确地把“身高”这个捣乱因素剔除掉，算出补品的真实效果。

3. 为什么这个方法很厉害？（模拟实验的启示）

作者做了一堆模拟实验（就像在电脑里造了个虚拟医院），测试这个方法在各种“不完美”的情况下是否管用：

即使线索不完美：就算那些生命体征（线索）和真实健康状况（身高）的关系不是完美的直线，或者数据分布有点奇怪，这个方法依然比传统方法更准。
即使猜错了角色：
- 有时候，某个指标（比如血压）可能既是“线索”又是“捣乱者”。传统方法如果把它搞混了，结果就全错了。
- 作者的方法比较“皮实”（鲁棒性强）。就算你不小心把某个“捣乱者”当成了“线索”，算出来的结果虽然有一点点偏差，但大方向（正负号）通常还是对的，不会像其他方法那样得出完全相反的荒谬结论。

4. 真实案例：老年人胸痛该不该住院？

作者用这个方法分析了美国一家大医院的真实数据，研究的问题是：老年人去急诊室胸痛，是应该“住院观察”还是“直接回家”？

传统方法的结论：大多数传统方法（包括直接对比和复杂的数学模型）都显示：住院的人，30 天内再次入院或死亡的风险更高。
- 直觉陷阱：这听起来好像住院反而坏事？其实是因为病情重的人（未测量的 U）才被送去住院，病情轻的回家了。传统方法没完全剔除这个“病情重”的因素，所以误以为住院导致了坏结果。
作者方法的结论：利用他们的新方法（拼凑生命体征线索），算出来的结果是：住院实际上可能略微降低了风险（或者是中性偏负）。
- 意义：这个结论更符合临床直觉——对于病情复杂的老人，住院观察可能确实能救命，而不是害命。之前的结论可能因为没算准“未测量的病情严重程度”，误导了医生不敢收治病人。

5. 总结：这对我们意味着什么？

这就好比在迷雾中开车：

以前的方法：只盯着路面上的一两个模糊标记，容易开进沟里。
作者的新方法：安装了一套“雷达系统”，把周围所有的模糊信号（雷达波、温度、湿度）都收集起来，通过算法合成一张清晰的地图。

这篇论文的价值在于：
它提供了一种实用、简单且更可靠的工具，让医生和研究人员能利用医院里现有的海量数据（电子病历），更准确地判断治疗方案的好坏，而不需要去搞那些极其复杂、难以验证的数学模型。它让“利用侧面线索还原真相”这件事，变得不再那么高深莫测，更容易被大家用起来。

一句话总结：
别只盯着一个指标瞎猜，把医生记录的所有“侧面线索”拼起来，就能算出那个“看不见的关键因素”，从而看清治疗的真实效果。

这是一份关于论文《A proxy-based approach for unmeasured confounding in electronic health records research》（电子健康记录研究中针对未测量混杂的代理变量方法）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：电子健康记录（EHR）数据在临床决策研究中应用广泛，但普遍存在**未测量混杂（Unmeasured Confounding）**问题。即存在影响治疗分配（ $A$ ）和结果（ $Y$ ）的潜在变量（ $U$ ），但在数据中未被记录。
现有方法的局限性：
- 自然实验/工具变量（IV）：往往依赖在现实中难以满足的强假设。
- 直接调整代理变量：早期研究曾建议将代理变量（如生命体征）直接作为协变量调整，但后续研究表明这可能会放大偏差而非减少偏差。
- 近端因果推断（Proximal Causal Inference, PCI）：虽然理论强大（利用负对照暴露 NCE 和负对照结果 NCO 识别因果效应），但在实际应用中面临巨大挑战。PCI 需要求解复杂的桥函数方程（bridge function equations），通常涉及病态积分方程，且对模型设定（如无交互作用、标量混杂因子）有严格限制，导致其在实际研究中未被广泛采用。
研究动机：EHR 中天然包含大量反映患者潜在健康状况的测量数据（代理变量，Proxies），但目前缺乏一种既实用又稳健的方法，能够利用这些代理变量来校正未测量混杂，而无需依赖 PCI 那样复杂的数学求解过程。

2. 方法论 (Methodology)

作者提出了一种基于代理向量的两步法，将代理变量转化为协变量以调整混杂。该方法的核心思想是利用因子分析（Factor Analysis）从代理变量中提取潜在混杂因子的信息。

2.1 因果框架与假设

变量定义：
- $X$ ：测量到的混杂因子。
- $U$ ：未测量的潜在混杂因子（Latent Confounder）。
- $Z$ ：代理变量向量（Proxy Variables），是 $U$ 的含噪测量（如生命体征、分诊数据）。
- $A$ ：治疗分配， $Y$ ：结果。
识别策略：
- 不直接试图恢复 $U$ ，而是恢复 $U$ 的函数期望 $E[g(U, X) | Z, A, X]$ 。
- 假设 3.1：存在向量函数 $g(U, X)$ ，其条件期望可以从观测变量 $(Z, A, X)$ 中识别。
- 假设 3.2：潜在结果的期望 $E[Y(a)|U, X]$ 可以表示为 $\tau(a, X)'g(U, X)$ 的形式（可分离性条件）。
定理 3.1：在上述假设下，条件平均处理效应（CATE）可以通过两步识别：
1. 利用 $Z$ 构建 $U$ 的摘要统计量（即 $E[g(U, X)|Z, A, X]$ ）。
2. 将该统计量作为协变量纳入结果回归模型，估计 $\tau(a, X)$ ，进而计算 CATE。

2.2 具体实现：MIMIC 模型 + 回归

作者提出了一种具体的参数化实现方案，结合了多指标多原因（MIMIC）模型和线性回归：

第一步：因子分析（构建协变量）
- 假设 $U$ 服从多元正态分布， $Z$ 是 $U$ 的线性测量（ $Z = \Lambda U + \nu + \Psi^{1/2}\epsilon_Z$ ）。
- 使用 MIMIC 模型（包含协变量 $X$ 和 $A$ 对 $U$ 的影响）拟合数据。
- 利用贝叶斯推断或最大似然估计，计算潜在因子的后验期望 $\hat{E}[U | Z, A, X]$ 和 $\hat{E}[U | Z, X]$ 。
- 通过 Akaike 信息准则（AIC）选择潜在因子的维度 $k$ 。
第二步：回归调整
- 构建工作模型： $E[Y | Z, A, X] = \nu_0 + \nu_1' \hat{E}[U|Z, A, X] + \nu_2' \hat{E}[U|Z, A, X]A + \nu_3 A$ 。
- 将 $\hat{E}[U|Z, A, X]$ 作为新的协变量代入线性回归模型。
- 利用回归系数计算处理效应（CATE 或 ATE）。

2.3 鲁棒性设计

该方法允许结构假设的模糊性。即使 $Z$ 不完全符合标准的代理变量定义（例如 $Z$ 直接受 $A$ 影响，或 $Z$ 是 $U$ 的直接原因而非测量），只要满足特定的独立性条件（如图 2B 所示），识别依然成立。
这使得该方法比 PCI 更灵活，不需要严格区分 NCE 和 NCO，也不需要求解积分方程。

3. 主要贡献 (Key Contributions)

提出新的代理变量使用范式：不同于 PCI 将代理变量分为 NCE 和 NCO 并求解桥函数，该方法将代理变量视为一个向量，通过因子分析提取潜在混杂因子的“特征”，直接作为协变量调整。
简化实施流程：将复杂的因果推断问题转化为标准的“因子分析 + 回归”流程，利用现有的统计软件（如 R 的 lavaan）即可实现，大大降低了应用门槛。
广泛的鲁棒性验证：通过模拟研究证明，即使在模型设定错误（如线性模型拟合非线性关系、正态假设违背、治疗变量二值化）或结构假设错误（将混杂因子误作代理，或将工具变量误作代理）的情况下，该方法的表现依然优于或接近现有方法（如线性回归、IPW、PCI）。
实证应用：首次将此类方法应用于真实的 EHR 数据，解决了老年胸痛患者住院决策中的未测量混杂问题。

4. 实验结果 (Results)

4.1 模拟研究 (Simulation)

准确性：在正确设定模型下，随着样本量增加，估计值收敛于真实值。当代理变量数量与潜在维度之比（ $p/k$ ）大于 2 时，该方法在偏差和均方误差上优于线性回归、IPW 和 PCI。
模型误设鲁棒性：
- 非线性关系：当真实数据生成过程是二次的而模型假设为线性时，该方法偏差极小，而其他方法偏差显著。
- 分布误设：当潜在变量服从偏态正态分布（Skew Normal）而非正态分布时，该方法表现稳健。
- 治疗变量类型：即使真实治疗是二值的而模型假设为连续，该方法仍保持较低偏差。
结构误设鲁棒性：
- 当将真正的混杂因子误判为代理变量时，该方法虽然产生偏差，但仍能保持正确的符号和数量级。
- 当将工具变量误判为代理变量时，该方法会产生负偏差，但相比其他非 IV 方法，其表现仍具参考价值。

4.2 案例研究 (Case Study)

场景：利用 MIMIC-IV 数据库，研究 65 岁以上急诊胸痛患者住院（Admission）对30 天内再入院或死亡的影响。
数据：包含 7081 次就诊记录，代理变量包括生命体征（心率、血压、血氧等）和分诊数据。
对比结果：
- 未调整/线性回归/IPW：均显示住院会增加再入院风险（ATE 为正，约 0.07 - 0.11）。
- PCI：估计值范围较宽（0.044 - 0.172），中位数为正。
- 本文方法：估计值为 -0.021（95% CI: [-0.192, 0.109]），提示住院可能降低再入院风险。
解释：这一结果与临床直觉和既往文献更吻合（即对于高危胸痛患者，住院观察和治疗可能带来生存获益，而未调整的模型因“病情越重越可能住院”的混杂效应高估了住院的风险）。

5. 意义与结论 (Significance)

临床意义：该方法提供了一种实用的工具，帮助研究人员在 EHR 数据中更准确地评估治疗效果，特别是在存在严重未测量混杂的复杂临床场景（如急诊决策）中。它揭示了传统方法可能因未处理混杂而得出误导性结论（如将治疗获益误判为风险）。
方法论意义：
- 打破了近端因果推断（PCI）在应用上的“黑箱”和计算壁垒，提供了一种基于熟悉统计工具（因子分析）的替代方案。
- 证明了在假设不完全满足的现实世界中，基于代理向量的调整策略具有惊人的鲁棒性。
局限性与未来：
- 目前依赖自助法（Bootstrap）计算置信区间，可能过于保守。
- 对模型设定（如线性关系）仍有一定依赖，尽管表现出鲁棒性。
- 未来工作将致力于开发自动区分代理变量和混杂因子的算法，并探索更广泛的函数类近似。

总结：这篇论文提出了一种将因子分析与回归相结合的实用框架，有效地利用 EHR 中丰富的代理变量来校正未测量混杂。它不仅理论上严谨，而且在模拟和真实世界数据中展现了优越的准确性和鲁棒性，为因果推断在医疗大数据中的应用开辟了新路径。