Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach

这是一篇关于**被死亡截断的复发事件（Recurrent Events Truncated by a Terminal Event）因果推断的学术论文，主要提出了一种基于主分层（Principal Stratification）的贝叶斯非参数（Bayesian Nonparametric, BNP）**方法。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 临床背景：在慢性心力衰竭（如 HF-ACTION 试验）等研究中，复发事件（如再住院）是关键终点，但常被死亡（终端事件）提前截断。
• 核心挑战：
  1. 选择偏差：死亡不仅截断了观察期，还改变了存活人群的构成。如果治疗影响生存率，直接比较观察到的再住院次数会产生偏差（因为存活下来的患者群体在不同治疗组间可能不同）。
  2. 因果定义模糊：在存在死亡的情况下，“治疗对再住院的影响”定义不明确。需要明确目标人群（即无论接受何种治疗都能存活到某一时点的“始终存活者”亚组）。
  3. 现有方法局限：
     • 传统的参数模型（如混合 frailty 模型）容易因模型设定错误而产生偏差。
     • 现有的贝叶斯非参数方法（如标准狄利克雷过程 DP）在联合建模复发事件和死亡事件时，往往由数量众多的复发事件主导随机划分，导致对死亡事件（终端事件）的预测性能差。
     • 现有的主分层方法多采用“单时间索引”（Single-index），即定义亚组时 $r=t$（存活时间等于观察时间），这导致随着时间推移，目标亚组不断变化，难以区分治疗效应的累积与亚组构成的变化。

2. 方法论 (Methodology)

2.1 因果估计量与识别策略

• 双索引主分层框架 (Double-index Principal Stratification)：
  • 定义“始终存活者”亚组 $AS(r) = \{i : r < D_i^0, r < D_i^1\}$，即无论接受何种治疗都能存活到时间 $r$ 的患者。
  • 提出新的因果估计量 SANR (Survivor-Average Number of Recurrence)：
    $$SANR(t; r) = \frac{E[N_i^1(t) \mid AS(r)]}{E[N_i^0(t) \mid AS(r)]}$$
    其中 $t$ 是观察复发事件的时间点，$r$ 是定义亚组的存活时间阈值（$t < r$）。
  • 优势：将 $r$ 和 $t$ 解耦。$r$ 固定了目标亚组，$t$ 追踪该固定亚组内的累积疾病负担，从而能更清晰地观察治疗效应的随时间演变。
• 部分识别与敏感性分析：
  • 由于潜在结果 $(Y_i^0, U_i^0)$ 和 $(Y_i^1, U_i^1)$ 无法同时观测，跨世界（Cross-world）依赖关系不可识别。
  • 引入双 frailty 框架：假设每个个体有两个 frailty 变量 $\gamma_i = (\gamma_i^0, \gamma_i^1)$。
  • 引入敏感性参数 $\rho = \text{Cor}(\gamma_i^0, \gamma_i^1)$ 来量化跨世界依赖。$\rho$ 不可从数据中识别，需通过敏感性分析评估不同 $\rho$ 值下的因果结论。

2.2 贝叶斯非参数模型：EDDPM

为了解决标准狄利克雷过程（DP）在联合建模中的缺陷，作者提出了富集依赖狄利克雷过程混合模型 (Enriched Dependent Dirichlet Process Mixture, EDDPM)。

• 嵌套结构 (Nested Structure)：
  • 采用两层嵌套划分：第一层基于生存时间（终端事件）进行聚类（$\phi$-clusters），第二层在每层生存聚类内部基于复发事件间隔进行细分（$\theta$-subclusters）。
  • 解决痛点：防止复发事件数量多而主导聚类，确保死亡事件（终端事件）也能有效驱动聚类结构，从而获得对生存时间更准确的预测。
• 依赖协变量 (Dependent)：
  • 引入依赖狄利克雷过程（DDP），允许聚类参数随协变量 $X$ 变化，放松了交换性假设，适应异质性数据。
• Frailty 传播：
  • 在顶层基于 $\phi$ 的基测度中采样 frailty $\gamma_i$，并将其传播到第二层 $\theta$ 的条件基测度中。这确保了同一患者的生存 frailty 和复发事件 frailty 在模型内部保持一致，同时通过 $\rho$ 控制跨治疗组的关联。
• 推断算法：
  • 开发了基于数据增广的Gibbs 采样算法。
  • 利用截断的正态分布近似 EDP 的无限混合，通过吉布斯采样迭代更新缺失的潜在结果（如截断的生存时间和复发间隔）及模型参数。

3. 主要贡献 (Key Contributions)

1. 新的因果估计量：提出了针对复发事件的“双索引”主分层估计量（SANR），解决了传统单索引方法中目标亚组随时间漂移的问题，能够更准确地捕捉治疗效应的累积过程。
2. 部分识别理论：在双 frailty 框架下推导了 SANR 的部分识别结果，将可识别的组内依赖与不可识别的跨世界依赖分离，并提供了透明的敏感性分析框架。
3. 方法学创新 (EDDPM)：
   • 提出了富集依赖狄利克雷过程 (EDDP)，专门针对复发事件被死亡截断的场景。
   • 克服了标准 DP 先验中“复发事件主导聚类”的缺陷，显著提高了对终端事件（死亡）的预测精度。
   • 实现了协变量依赖的灵活建模，减少了模型设定偏差。
4. 实证应用：将方法应用于 HF-ACTION 试验，评估结构化运动训练对慢性心力衰竭患者再住院负担的影响。

4. 研究结果 (Results)

4.1 模拟研究

• 对比模型：线性混合模型 (LM)、标准狄利克雷过程混合 (DPM)、依赖狄利克雷过程混合 (DDPM) 与提出的 EDDPM。
• 性能表现：
  • 准确性：EDDPM 在所有场景下均表现出最小的偏差（Bias）和均方根误差（RMSE）。
  • 区间估计：EDDPM 的 95% 可信区间覆盖率（CP）最接近名义水平 95%，且区间长度较短（效率高）。
  • 鲁棒性：相比之下，参数模型（LM）对数据生成过程中的异质性敏感，表现最差；标准 DP 模型虽优于参数模型，但在终端事件预测上不如 EDDPM。

4.2 HF-ACTION 试验分析

• 主要发现：
  • 结构化运动训练能显著降低“始终存活者”的累积再住院负担。
  • 时间效应：治疗益处随时间累积。在 1 年时再住院风险降低约 4.3%，到 4 年时降低约 10.1%。
  • 双索引优势：
    • 在固定亚组（如 $r=1440$天）下观察，治疗效应随时间 $t$ 逐渐增强且统计显著性逐渐显现。
    • 相比之下，传统的 $r=t$ 方法由于亚组构成随时间变化，掩盖了这种异质性，导致早期结论不确定性较大。
• 敏感性分析：
  • 在中等跨世界相关系数（$\rho \in [0.1, 0.7]$）下，结论稳健：运动训练显著减少再住院。
  • 在极端假设（$\rho = 0.9$，接近单 frailty 模型）下，证据减弱，置信区间包含无效值（1）。这表明强制假设跨世界 frailty 高度相关可能会掩盖真实的异质性，支持使用双 frailty 框架。

5. 意义与结论 (Significance)

• 临床意义：该方法为评估慢性病患者（如心衰）的干预措施提供了更科学的工具。它表明运动训练虽然可能不会立即消除所有风险，但长期来看能显著降低“始终存活者”的再住院负担，且这种益处是随时间累积的。
• 方法论意义：
  • 解决了复发事件分析中死亡截断带来的因果推断难题。
  • 提出的 EDDPM 模型为处理具有复杂依赖结构（复发 + 死亡）的贝叶斯非参数建模提供了新范式，特别是解决了标准 DP 在处理不同频率事件时的不平衡问题。
  • 强调了在因果推断中区分“亚组构成变化”与“真实治疗效应演变”的重要性，双索引框架为此提供了清晰的数学工具。

总结：这篇论文通过结合主分层理论、双 frailty 敏感性分析和创新的富集依赖狄利克雷过程，提出了一套完整的贝叶斯非参数框架，成功解决了被死亡截断的复发事件因果推断中的选择偏差和模型设定问题，并在 HF-ACTION 试验中得出了具有临床指导意义的结论。