Efficient and Debiased Learning of Average Hazard Under Non-Proportional Hazards

这篇论文提出了一种在非比例风险（Non-Proportional Hazards, Non-PH） 条件下，用于估计和推断平均风险（Average Hazard, AH） 的高效且去偏（Debiased）的半参数框架。该方法旨在解决传统 Cox 比例风险模型中的风险比（Hazard Ratio, HR）在风险函数随时间变化时失去因果解释性和稳定性的问题。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 传统方法的局限性： 在临床试验和观察性研究中，Cox 比例风险模型及其导出的风险比（HR）是总结治疗效果的主流方法。然而，当风险函数不满足比例假设时（例如在免疫肿瘤学中常见的延迟治疗效应，或实践中常见的交叉风险），Cox HR 不再是一个稳定的因果参数。
• HR 的缺陷： 非比例风险下，Cox HR 实际上是随时间变化的对数风险比的加权平均，其权重取决于研究特定的删失（censoring）和随访分布。这意味着即使生物治疗效果相同，不同的研究设计（如入组率或删失模式不同）也会导致截然不同的 HR 估计值。此外，HR 缺乏绝对参考值，难以直接转化为临床可操作的信息。
• 现有替代方案的不足： 虽然基于边际生存曲线的指标（如限制平均生存时间 RMST 或固定时间点的生存差异）已被提出，但针对协变量调整后的平均风险（Covariate-adjusted Average Hazard），目前缺乏一个通用的框架，能够同时支持：
  1. 在观察性研究中通过显式处理混杂和删失来实现因果识别；
  2. 利用机器学习灵活地估计高维的干扰参数（nuisance parameters）；
  3. 在干扰参数估计存在误差时，仍能保证有效的 $\sqrt{n}$ 推断（即渐近正态性）。

2. 方法论 (Methodology)

作者开发了一个半参数、双重稳健（Doubly Robust） 的框架，用于估计协变量调整后的平均风险及其对数比率。

2.1 因果定义与识别

• 平均风险 (AH) 定义： 对于处理组 $a$ 和时间视界 $\tau$，平均风险定义为：
  $$\eta_a(\tau) = \frac{P(T_a \le \tau)}{E[T_a \wedge \tau]} = \frac{1 - S_a(\tau)}{\int_0^\tau S_a(t) dt}$$
  其中 $S_a(t)$ 是反事实的边际生存函数。AH 被解释为人群水平的“人 - 时间事件率”（person-time event rate）。
• 因果识别： 在标准假设（一致性、条件交换性、正定性、条件独立删失）下，作者证明了 AH 可以通过观察数据分布进行识别。特别地，作者区分了 AH 与“边际化的条件发生率”（marginalized conditional incidence rate），指出后者由于非可折叠性（non-collapsibility）可能无法正确反映人群水平的治疗效应，而 AH 是加权平均，权重与各层贡献的人 - 时间成正比。

2.2 有效影响函数 (Efficient Influence Function, EIF) 推导

• 路径可微性： 作者证明了 AH 作为边际生存曲线 $S_a(t)$ 的泛函，在非参数模型中是路径可微的（pathwise differentiable）。
• Delta 方法： 利用泛函 Delta 方法，作者从边际生存曲线的 EIF 推导出了对数平均风险比（$\log \eta_a(\tau)$）的 EIF。
• 双重稳健结构： 推导出的 EIF 包含两部分：
  1. 基于结果回归（Outcome Regression）的中心化项。
  2. 基于逆概率处理加权（IPTW）和逆概率删失加权（IPCW）的增广项（基于鞅残差）。
     这使得估计量具有双重稳健性：只要结果模型正确，或者处理机制与删失机制同时正确，估计量就是一致的。

2.3 估计量构建：交叉拟合去偏估计器 (Cross-Fitted Debiased Estimator)

为了在高维干扰参数估计中使用机器学习（如 Super Learner）并保证推断的有效性，作者采用了交叉拟合（Cross-fitting） 策略：

1. 数据分割： 将数据分为 $K$ 折。
2. 干扰参数估计： 在每一折中，使用其余数据训练机器学习模型来估计倾向性得分 $\pi(a|W)$、删失分布 $G(t|a,W)$ 和生存分布 $S(t|a,W)$。
3. 一步估计器 (One-Step Estimator)： 利用交叉拟合后的干扰参数估计值，计算 EIF 的样本均值，构建对数 AH 的估计量。
4. 方差估计： 使用 EIF 的样本方差构建 Wald 型置信区间。

3. 主要贡献 (Key Contributions)

1. 因果框架形式化： 在潜在结果框架下正式定义了平均风险（AH）作为因果估计量，并证明了其在非比例风险下的良好定义和解释性。
2. 理论推导： 推导了对数平均风险比的有效影响函数（EIF），确立了其在非参数模型中的路径可微性，为高效推断奠定了理论基础。
3. 算法实现： 构建了基于交叉拟合的去偏估计器。该估计器能够结合灵活的机器学习算法来估计复杂的干扰参数，同时在满足温和的乘积速率条件（product-rate conditions，即干扰参数估计误差的乘积为 $o_p(n^{-1/2})$）下，保证估计量的渐近正态性和 $\sqrt{n}$ 一致性。
4. 双重稳健性： 证明了估计量在结果模型或（处理 + 删失）模型之一正确时即保持一致性。

4. 研究结果 (Results)

4.1 模拟研究 (Simulation Study)

• 场景设置： 涵盖了比例风险（PH）、非比例风险（Non-PH）、交叉风险（Crossing Hazards）以及复杂删失机制等多种数据生成机制。
• 对比方法： 将提出的 AH-DML 方法与传统的 Cox 模型 和 G-计算（G-computation） 方法进行了对比。
• 性能表现：
  • 偏差与覆盖： AH-DML 在所有场景下均表现出极小的偏差，且 95% 置信区间的覆盖率接近名义水平（95%）。
  • 非比例风险下的优势： 在交叉风险和延迟效应场景下，Cox 模型的估计往往不稳定或偏差较大，而 AH-DML 表现稳健。
  • 双重稳健性验证： 当删失机制难以被正确建模时（如 PH-complex 场景），AH-DML 仍能通过结果模型的正确性保持良好性能，体现了双重稳健特性。

4.2 实证分析 (Data Analysis)

• 数据来源： 利用 SEER-Medicare 链接数据，针对晚期黑色素瘤患者（66 岁以上）进行了回顾性队列研究。
• 研究问题： 比较三种一线免疫治疗方案：纳武利尤单抗（Nivolumab）单药、伊匹木单抗（Ipilimumab）单药、以及两者联合用药。
• 发现：
  • 在 24 个月和 36 个月的时间视界下，联合用药和纳武利尤单抗单药的平均死亡风险均显著低于伊匹木单抗单药（AH 比率约为 0.60，95% CI 0.39–0.90）。
  • 联合用药与纳武利尤单抗单药之间未发现显著差异。
  • 稳健性： 不同时间视界（24 个月 vs 36 个月）下的估计结果定性一致，表明 AH 估计对时间视界的选择具有鲁棒性，且提供了比 Cox HR 更直观的临床解释（即每 100 人年的死亡事件数）。

5. 意义与结论 (Significance)

• 解决非比例风险难题： 该论文提供了一个强有力的工具，用于在风险函数随时间变化（如免疫治疗中常见的情况）时，进行稳健的因果推断。
• 临床解释性： 平均风险（AH）以“人 - 时间事件率”的形式呈现，比相对的风险比（HR）更容易被临床医生和患者理解，且提供了绝对的参考基准。
• 方法学创新： 成功将现代半参数理论（双重稳健、交叉拟合、机器学习）应用于生存分析中的复杂泛函估计，填补了高维干扰参数下 AH 推断的空白。
• 实际应用价值： 在真实世界数据（SEER-Medicare）中的应用证明了该方法在处理混杂、删失以及复杂治疗效应模式方面的实用性，为比较效果研究（Comparative Effectiveness Research）提供了新的分析范式。

总结： 这项工作通过理论推导和实证分析，确立了平均风险（AH）作为非比例风险下因果推断的首选指标之一，并提供了配套的、具备统计保证的机器学习估计框架。