Estimating conditional Mann-Whitney effects using pseudo-observation-based regression

这是一份关于论文《基于伪观测回归的估计条件 Mann-Whitney 效应》（Estimating conditional Mann-Whitney effects using pseudo-observation-based regression）的详细技术总结。

1. 研究背景与问题 (Problem)

在生物统计学中，比较两个样本分布差异（双样本问题）是核心任务之一。传统的非参数方法（如 Wilcoxon 秩和检验、Mann-Whitney U 检验）通常用于检验两组分布是否相同，但缺乏对协变量（Covariates）的调节能力。

• 现有方法的局限性：
  • Cox 比例风险模型：虽然广泛用于生存分析，但其依赖于“比例风险”假设。当该假设不成立（例如风险函数交叉）时，Cox 模型可能无法准确捕捉治疗效果，且其交互项的解释较为复杂（基于对数尺度）。
  • 无条件 Mann-Whitney 效应：定义为 $\theta = P(T_1 > T_2)$，具有直观的概率解释（即随机抽取的一个个体 $T_1$ 的生存时间长于另一个个体 $T_2$ 的概率），且与 ROC 曲线下面积（AUC）相关。然而，现有的非参数方法难以直接将其扩展为包含协变量的回归模型，特别是在存在右删失（Right-censored）数据的情况下。
• 核心问题：如何构建一个**分布自由（Distribution-free）**的回归模型，将条件 Mann-Whitney 效应 $\theta(z_1, z_2) = P(T_1 > T_2 | Z_1=z_1, Z_2=z_2)$ 与协变量线性组合联系起来，并能处理右删失数据？

2. 方法论 (Methodology)

作者提出了一种基于**伪观测（Pseudo-observations）**的回归框架，结合了 Jackknife 重采样技术和广义估计方程（GEE）。

2.1 模型定义

模型旨在估计条件概率：
$$\theta(z_1, z_2) = P(T_1 > T_2 | Z_1 = z_1, Z_2 = z_2)$$
假设该概率通过一个严格单调的逆链接函数 $\mu$ 与协变量线性相关：
$$\theta(z_1, z_2) = \mu(\beta_0 + \beta_1^\top z_1 + \beta_2^\top z_2)$$
其中 $\beta$ 是待估参数向量。该模型允许两组协变量维度不同（$p_1 \neq p_2$），也允许 $z_1 = z_2 = z$（用于因果推断场景）。

2.2 伪观测构造 (Pseudo-observations)

为了拟合上述模型，作者利用 Jackknife 技术构造伪观测值 $\tilde{\theta}_{i_1 i_2}$：

1. 全观测情况：定义 $\hat{\theta}$ 为经验 Mann-Whitney 统计量。伪观测值定义为从全样本估计量中剔除第 $i_1$ 个（组 1）和第 $i_2$ 个（组 2）观测值后的修正值。在完全观测且无结（ties）的情况下，$\tilde{\theta}_{i_1 i_2} = \mathbb{I}(T_{1i_1} > T_{2i_2})$。
2. 右删失情况：使用 Kaplan-Meier 估计量 $\hat{S}_j(t)$ 替代经验生存函数。伪观测值定义为：
   $$\tilde{\theta}_{i_1 i_2} = - \int_0^\tau \tilde{S}_{1i_1}(u) d\tilde{S}_{2i_2}(u)$$
   其中 $\tilde{S}$ 是基于剔除特定观测后的 Kaplan-Meier 估计量。对于删失数据，通常设定一个时间截断点 $\tau$ 以解决尾部不可识别问题。

2.3 参数估计与推断

• 估计方法：通过求解广义估计方程（GEE）来估计参数 $\beta$：
  $$\sum_{i_1, i_2} A_{i_1 i_2} (\tilde{\theta}_{i_1 i_2} - \mu_{i_1 i_2}) = 0$$
  其中 $A_{i_1 i_2}$ 是链接函数的导数与协变量的乘积。
• 渐近性质：作者证明了在温和条件下，参数估计量 $\hat{\beta}$ 是一致的且渐近正态分布（中心极限定理）。
• 假设检验：由于伪观测值之间存在相关性，传统的渐近方差估计可能复杂。作者提出了基于Bootstrap的假设检验方法（包括基于经验标准差、四分位距 IQR、中位数绝对偏差 MAD 和百分位数的四种检验统计量），用于推断协变量对 Mann-Whitney 效应的影响。

3. 主要贡献 (Key Contributions)

1. 首个右删失数据的回归模型：这是第一篇提出针对右删失（及可能结）数据的 Mann-Whitney 效应回归方法的文章。
2. 分布自由与直观解释：模型不依赖比例风险假设，结果直接解释为概率（0 到 1 之间），比 Cox 模型的对数风险比（Log-Hazard Ratio）更具临床直观性。
3. 理论保证：建立了该估计量的渐近正态性理论，证明了在删失和非删失情况下的有效性。
4. 灵活的协变量处理：模型允许两组数据拥有不同数量或不同含义的协变量，适用于历史对照或合成对照等复杂场景。
5. 因果推断潜力：在 $z_1 = z_2 = z$ 且满足无混杂假设时，该模型可视为对个体潜在结果 $P(T^{(1)} > T^{(2)})$ 的估计。

4. 模拟研究与实证结果 (Results)

4.1 模拟研究 (Simulation Study)

• 设置：比较了提出的方法与带有交互项的 Cox 模型。数据生成过程包括 Weibull 分布（风险函数交叉和比例风险两种情况）以及不同比例的删失（0%, 25%, 50%, 75%）。
• 发现：
  • I 类错误控制：基于经验标准差（Empirical SD）和百分位数（Quantile）的 Bootstrap 检验能很好地控制 I 类错误（接近名义水平 5%）。基于 IQR 和 MAD 的检验在模型误设或高删失率下略显宽松（Liberal）。
  • 功效（Power）：在删失率不超过 50% 时，新方法的检验功效与 Cox 模型的 Z 检验相当。在高删失率（75%）下，所有方法的功效均下降，但新方法仍保持稳健。
  • Cox 模型的局限：Cox 模型在风险函数交叉（非比例风险）场景下，I 类错误控制不佳（过于宽松），且无法捕捉非比例风险下的真实效应。

4.2 实证分析：SUCCESS-A 乳腺癌试验

• 数据：3,754 名早期乳腺癌患者，比较标准化疗（对照组）与标准化疗 + 吉西他滨（干预组）的无病生存期（DFS）。
• 发现：
  • 亚组异质性：原研究未发现总体疗效，但新方法识别出了显著的亚组差异。
  • 具体结果：
    • 对于 G2 和 G3 级肿瘤、pT4 分期患者，干预组显示出更高的获益概率（Mann-Whitney 效应 > 0.5）。
    • 对于 pN0（无淋巴结转移）和 PR+ 患者，对照组似乎获益更多。
    • 三阴性乳腺癌（Triple-negative）患者中，超过 75% 的患者预计从干预组获益。
  • 与 Cox 模型对比：新方法得出的效应方向在某些亚组（如肿瘤分期）中与 Cox 模型相反。作者认为这可能是因为 Cox 模型假设比例风险失效，而新方法基于截断时间的概率解释更稳健。
  • 个体化预测：新方法能够为每位患者计算具体的获益概率及其 95% 置信区间，从而对患者进行分类（干预获益组 vs. 对照获益组）。

5. 意义与结论 (Significance)

• 临床决策支持：该方法提供了一种无需比例风险假设的工具，能够更准确地识别哪些亚组患者能从特定治疗中获益，有助于实现精准医疗。
• 方法论创新：将伪观测技术成功扩展到双样本 Mann-Whitney 效应的回归分析中，填补了非参数回归在生存分析领域的空白。
• 解释性优势：直接输出概率形式的治疗效果，避免了 Cox 模型中风险比（HR）在时间依赖或交叉风险下的解释困难。
• 未来方向：作者指出该方法可推广至多组（J-sample）比较，并可应用于其他边际分布泛函的回归分析。

总结：这篇论文提出了一种强大的、分布自由的回归框架，用于分析右删失数据中的条件 Mann-Whitney 效应。通过伪观测和 Bootstrap 技术，它克服了传统 Cox 模型在比例风险假设失效时的局限性，为临床试验中的亚组分析和个体化治疗决策提供了更稳健的统计工具。