Targeted learning of heterogeneous treatment effect curves for right censored or left truncated time-to-event data

1. 研究背景与问题 (Problem)

在个性化医疗和因果推断领域，量化二元处理（如药物治疗）对**时间 - 事件（Time-to-Event）**结果的异质性效应（Heterogeneous Treatment Effects, HTE）至关重要。然而，现有的因果机器学习方法在处理此类数据时面临以下主要挑战：

• 数据复杂性：现实世界的时间 - 事件数据通常同时存在右删失（Right Censoring, RC）（如失访）和左截断（Left Truncation, LT）（如患者在研究开始后才进入队列，或仅在特定时间点后才被观测到）。
• 现有方法的局限性：
  • 正则化偏差（Regularization Bias）：传统的“T-learner"方法分别估计不同处理组的生存曲线再求差，容易继承机器学习模型的平滑偏差，导致异质性估计不准。
  • 缺乏平滑性：现有的去偏估计量（如 Causal Survival Forests, CSFs; ltrc-DR/R learners）通常在每个时间点独立估计处理效应。这导致生成的处理效应曲线在时间上不光滑（non-smooth），甚至出现生物学上不合理的不连续波动。
  • 有限样本性能：现有方法在小样本下表现不佳，且未能充分利用数据的时序结构。
  • 无界估计：部分方法（如 ltrc-DR）可能产生无界的生存概率差估计值。

核心目标：开发一种能够同时处理右删失和左截断数据，并能生成有界、稳定且随时间光滑的异质性处理效应曲线的估计方法。

---

2. 方法论 (Methodology)

作者提出了一种名为 surv-iTMLE 的新方法，即基于**无限维定向最小损失估计（infinite-dimensional Targeted Minimum Loss-Based Estimation, iTMLE）**的框架。该方法分为两个主要步骤：

2.1 第一步：生成去偏的伪结果 (Pseudo-outcomes)

利用 iTMLE 技术，在一系列预定义的时间点上，构建条件生存概率差的去偏伪结果。

• 损失函数：定义了一个依赖于目标参数 $\theta(t|X)$ 的期望损失函数（基于均方误差 MSE 的组件）。
• 有效影响函数 (EIF)：推导了该损失函数在左截断右删失（LTRC）设置下的 EIF。EIF 包含了逆概率权重（IPW），用于校正处理分配、右删失和左截断带来的偏差。
• 筛法（Sieve-based）定向：由于目标参数 $\theta(t|X)$ 是无限维的（随时间 $t$ 和协变量 $X$ 变化），作者采用了**筛法（Sieve-based）**策略。通过引入基函数（如余弦多项式基），将无限维问题转化为有限维的加权回归问题。
• 更新机制：利用加权回归更新初始的生存函数估计（通过更新风险函数 $\lambda$），确保生存函数保持有界（$[0,1]$）和单调性，从而生成去偏的伪结果 $Y^{iTMLE}$。

2.2 第二步：伪结果回归 (Pseudo-outcome Regression)

为了获得随时间光滑的处理效应曲线，作者提出了一种**联合回归（Pooled Regression）**策略，而非在每个时间点单独回归。

• 增量变化：将伪结果转化为时间上的增量变化（$\Delta Y^{iTMLE}(k) = Y^{iTMLE}(k) - Y^{iTMLE}(k-1)$）。
• 长格式数据：构建长格式数据集，每个个体在每个时间点贡献一行。
• 模型拟合：将增量变化对协变量 $X$ 和时间 $t$ 进行回归（例如使用广义加性模型 GAM，包含时间与协变量的平滑交互项）。
• 累积求和：通过累加各时间点的增量预测值，重构出光滑的异质性处理效应曲线 $\hat{\theta}(t|X)$。

2.3 关键假设

方法依赖于标准的因果推断假设：

• 正定性（Positivity）：每个个体接受任一处理且被观测到的概率大于 0。
• 一致性（Consistency）：观测到的结果等于潜在结果。
• 条件交换性（Conditional Exchangeability）：在给定协变量下，处理分配与潜在结果独立（需处理左截断带来的选择偏差）。
• 无干扰（No Interference）：个体的结果不受其他个体处理的影响。

---

3. 主要贡献 (Key Contributions)

1. 提出 surv-iTMLE：首个专门针对同时存在左截断和右删失数据设计的非参数定向学习框架，用于估计异质性处理效应曲线。
2. 解决光滑性问题：通过两步法（特别是第二步的增量回归），强制生成的处理效应曲线在时间上是光滑的，克服了现有方法（如 CSFs）产生的锯齿状或不合理波动。
3. 理论保证：利用 EIF 和定向学习理论，确保估计量对干扰函数（nuisance functions，如生存模型、删失模型）的估计误差具有二阶鲁棒性（Double Robustness），即只要干扰函数之一收敛速度足够快，主估计量即可达到半参数效率。
4. 处理左截断：明确解决了左截断数据中常见的“进入研究时间晚于治疗开始时间”的问题，通过引入截断概率权重进行校正。
5. 开源实现：提供了完整的 R 代码实现，并展示了在复杂真实世界数据中的应用。

---

4. 实验结果 (Results)

4.1 模拟研究 (Simulations)

作者在三种不同的数据生成过程（DGPs）下进行了广泛的模拟，涵盖不同的删失和截断比例。

• 精度（RMSE）：surv-iTMLE 在均方根误差（RMSE）上显著优于 T-learner、Causal Survival Forests (CSFs) 以及 ltrc-DR/R 学习器。在左截断比例高（~50%）的情况下，优势尤为明显（RMSE 降低 5%-36%）。
• 光滑性：surv-iTMLE 生成的曲线紧密跟随真实曲线，且非常光滑；而 CSFs 和 T-learner 的曲线表现出明显的非光滑和波动。
• 稳定性：ltrc-DR 和 ltrc-R 在某些设置下因产生负权重而表现不佳，surv-iTMLE 则保持了稳定性。

4.2 真实世界应用：非小细胞肺癌 (NSCLC) 免疫治疗

利用 Flatiron-Foundation Medicine 临床基因组数据库，研究免疫治疗与化疗对 NSCLC 患者生存影响的异质性。

• 数据挑战：患者仅在基因检测后才进入数据库（左截断），且部分患者在随访结束前未死亡（右删失）。
• 发现：
  • 时间模式：免疫治疗在初期（前 6 个月）效果不明显，但随着时间推移，其相对于化疗的生存优势逐渐增加。这种延迟效应模式被 surv-iTMLE 清晰捕捉，而 T-learner 和 CSFs 的曲线杂乱无章，难以识别此趋势。
  • 异质性：
    • EGFR 突变：携带 EGFR 突变的患者从免疫治疗中获益较少。
    • 年龄：老年患者（如 65-85 岁）获益较多，但极高龄（>85 岁）患者获益下降。
• 结论：surv-iTMLE 揭示了具有临床意义的动态时间模式，这是现有方法可能掩盖的。

---

5. 意义与展望 (Significance)

• 临床决策支持：该方法能够提供更准确、更光滑的个体化生存获益预测，帮助医生根据患者的基因特征和年龄制定更精准的治疗方案（如判断何时开始免疫治疗或选择何种疗法）。
• 方法学突破：将无限维定向学习（iTMLE）成功扩展到生存分析领域，特别是解决了左截断和右删失并存时的光滑估计难题，填补了因果机器学习在该领域的空白。
• 未来方向：
  • 开发针对 surv-iTMLE 的置信区间构建方法（目前主要关注点估计）。
  • 探索更复杂的筛基函数以平衡偏差和方差。
  • 推广到其他类型的生存分析任务（如条件生存曲线本身的估计）。

总结：这篇论文通过引入 surv-iTMLE，成功解决了在复杂时间 - 事件数据（左截断 + 右删失）中估计光滑、无偏的异质性处理效应曲线的难题，为精准医疗中的动态治疗决策提供了强有力的统计工具。