技术摘要：评估信息性删失下生存分析中异质性处理效应的稳健性

1. 问题陈述

在临床研究中，特别是在肿瘤学领域，患者脱落现象普遍存在，在某些癌症中脱落率高达 53%。当脱落是信息性的——即删失时间 $C$ 依赖于未观测到的生存时间 $T$——时，它会引入系统性的删失偏差。标准的生存分析方法（如 Kaplan-Meier 法、Cox 模型）以及现有的异质性处理效应（HTE）估计量通常依赖于非信息性删失的假设（$T \perp C \mid X, A$）。当这一假设被违反时，条件平均处理效应（CATE）的无偏点估计变得不可能，因为仅凭观测数据无法识别被删失患者的期望生存时间。

现有文献缺乏在存在信息性删失时评估 CATE 估计稳健性的实用工具。生存分析中用于部分识别的现有方法侧重于对生存函数进行界定，而非因果效应；而针对信息性删失的因果推断方法通常针对平均处理效应（ATE），而非 CATE。

2. 方法论

本文提出了一种弱假设框架，将目标从点估计转向部分识别。该框架不再估计单一的 CATE 值，而是构建具有信息量的 CATE 上下界，并明确考虑删失偏差。

2.1 CATE 的部分识别

作者首先通过对条件平均潜在结果（CAPO）$\mu(x, a) = E[T(a) \mid X=x]$ 进行界定，推导出 CATE $\tau_{a_1, a_2}(x) = E[T(a_1) - T(a_2) \mid X=x]$ 的界。

• 下界（$\mu^-$）： 通过假设被删失患者在删失时间后立即发生事件（最坏情况）推导得出。这给出了基于观测数据的下界：
  $$\mu^-(x, a) = E[\tilde{T} \mid X=x, A=a]$$
  其中 $\tilde{T} = \min(T, C)$。

• 上界（$\mu^+$）： 利用敏感性函数 $\gamma(x, a)$ 推导得出，该函数代表脱落后的最大期望剩余生存时间。上界结合了领域知识（例如，脱落后的生存临床基准）或保守的理论最大值（$t_{max}$）：
  $$\mu^+(x, a) = \nu(0, x, a)[1 - \xi(x, a)] + \nu(1, x, a)\xi(x, a) + \gamma(x, a)\xi(x, a)$$
  此处，$\xi(x, a)$ 是删失强度（被删失的概率），$\nu(\delta, x, a)$ 是条件期望生存时间。

• CATE 界： 通过组合 CAPO 界来构建 CATE 界：
  $$\tau^-_{a_1, a_2}(x) = \mu^-(x, a_1) - \mu^+(x, a_2) \leq \tau_{a_1, a_2}(x) \leq \mu^+(x, a_1) - \mu^-(x, a_2) = \tau^+_{a_1, a_2}(x)$$

这些界的宽度由删失强度 $\xi(x, a)$ 和敏感性函数 $\gamma(x, a)$ 决定。当删失程度较低，或强有力的领域知识限制了 $\gamma(x, a)$ 时，这些界将变得具有信息量（即变窄）。

2.2 SurvB-learner：一种模型无关的元学习器

为了高效地估计这些界并避免插件偏差，作者引入了SurvB-learner，这是一种两阶段元学习器，兼容任意机器学习模型（如随机森林、神经网络）。

• 阶段 1（干扰项估计）： 使用交叉拟合来估计干扰函数：倾向得分 $\hat{\pi}_a(x)$、删失强度 $\hat{\xi}(x, a)$ 以及条件生存时间 $\hat{\nu}(\delta, x, a)$。
• 阶段 2（伪结果回归）： 基于界的有效影响函数构建伪结果 $\hat{\phi}^\pm(x, a)$。将这些伪结果对协变量 $X$ 进行回归，以估计最终界 $\hat{\mu}^\pm(x, a)$。

2.3 理论性质

已证明 SurvB-learner 具备以下性质：

1. 一致性： 随着样本量增加，收敛至真实界。
2. 双重稳健性： 如果倾向得分模型设定正确，或者生存模型与删失模型的组合设定正确，估计量仍保持一致性。
3. 准 Oracle 效率： 只要干扰项估计量以足够的速率收敛，该估计量即可达到与知晓真实干扰函数的 Oracle 估计量相同的渐近收敛速率。

该框架还扩展到了连续处理（使用核平滑）和存在隐藏混淆的观测数据（使用广义边际敏感性模型）。

3. 主要贡献

1. 弱假设框架： 一种新颖的方法，通过用敏感性函数替代非信息性删失假设来构建信息性界，从而审计 CATE 估计中的删失偏差。
2. SurvB-learner： 一种模型无关的元学习器，旨在高效估计这些界，校正插件偏差并提供双重稳健性。
3. 理论保证： 对所提出的估计量的一致性、双重稳健性和准 Oracle 效率进行了形式化证明。
4. 实证验证： 利用合成数据（显示其优于插件学习器）和真实世界临床试验（ADJUVANT 数据集）证明了其有效性。

4. 实验结果

• 合成数据： 在各种函数形式（指数、正弦、逻辑 - 正弦）和删失强度（0.2、0.4、0.6）下的实验表明，SurvB-learner 显著优于朴素插件学习器。SurvB-learner 在针对 Oracle 界的均方根误差（RMSE）和方差方面表现更低。插件学习器被证明是不稳定的，且经常产生过窄（不可靠）的界。
• 真实世界数据（ADJUVANT 试验）： 应用于非小细胞肺癌（NSCLC）试验，该试验具有高删失率（无病生存期 DFS 为 37%，总生存期 OS 为 63%）。该框架成功识别了患者亚组（例如，特定的基因共改变如 CDK4+MYC），在这些亚组中，处理效应的下界保持严格为正，表明尽管存在信息性删失，治疗益处依然稳健。这提供了标准点估计量在存在此类偏差时无法可靠提供的见解。

5. 意义与主张

本文声称是首个专门针对信息性删失下CATE 估计提供部分识别工具的研究。其意义在于：

• 临床效用： 使临床医生能够识别即使在脱落机制存在偏差的情况下也能可靠受益于治疗的亚组患者，而无需依赖可能无效的点估计。
• 稳健性： 为生存分析中的因果推断提供“安全网”，在标准假设失效时发挥作用。当删失较弱时，该框架可优雅地退化为点估计，但在删失较强时仍保持有效。
• 灵活性： 其模型无关的特性允许与最先进的机器学习模型集成，使其适用于复杂的高维医疗数据。

作者得出结论，他们的框架提供了有效且可解释的结果，有助于减轻生存研究中偏差处理效应估计的风险。未来的工作建议侧重于从外部数据中学习敏感性函数，并扩展推断工具。