Multi-Dimensional Composite Endpoint Analysis via the Choquet Integral: Block Recurrent Encoding and Comparative Advantage Mapping

1. 研究背景与问题 (Problem Statement)

心血管临床试验中的**复合终点（Composite Endpoints）**旨在捕捉疾病的多维性（如死亡率、非致死性事件、反复住院、生物标志物等）。然而，现有的统计分析方法存在显著缺陷，无法充分利用这些信息：

• Cox 比例风险模型（时间至首次事件，TTFE）： 仅关注第一个事件，丢弃了首次事件后的所有数据（如后续住院、功能恢复、生存状态等），导致信息浪费（在某些研究中可忽略 68% 的事件数据）。
• 负二项回归/Andersen-Gill 模型： 虽然能捕捉复发事件负担，但通常将死亡视为“非信息性删失”，这在生物学上是不合理的（死亡通常意味着复发终止）。
• Win Ratio (WR) 及其扩展 (WRrec)： 引入了分层配对比较，但会丢弃大量“平局”（Ties）的患者对（在某些场景下高达 10-27%），且难以整合连续型终点（如生物标志物）。
• 联合脆弱性模型 (Joint Frailty Models)： 虽然形式上处理了终末事件与复发事件的依赖关系，但常面临收敛困难。

核心痛点： 缺乏一种能够同时整合多维异质终点、处理复发事件的时间轨迹、并合理处理死亡与复发之间复杂依赖关系的统计方法。

---

2. 方法论：CWOT-CE 框架 (Methodology)

作者提出了一种名为 CWOT-CE (Choquet-Weighted Optimal Threshold for Composite Endpoints) 的新方法。其核心设计原则包括：

2.1 多维编码 (Component Encoding, K=6)

将每个患者的结局转化为一个 $K=6$ 维的向量 $y_i \in [0, 1]^K$，数值越高代表结局越好。六个维度包括：

1. 生存 (Survival)： 死亡/删失时间的 pooled Kaplan-Meier 变换。
2. 无事件时间 (Event-free)： 首次非致死事件时间的 KM 变换。
3. AUC 负担 (AUC Burden)： 累积计数曲线下的面积（$\int N_i(t) dt$），捕捉事件的强度和时间分布。
4. 最后事件时间 (Last Event)： 最近一次事件的时间（$R_i = \tau - \sup\{t_{ij}\}$），捕捉轨迹终点。
5. 生物标志物 (Biomarker)： 归一化的连续测量值（死亡者记为 0）。
6. 存活状态 (Alive)： 随访结束时的二元指标。

2.2 块状复发编码 (Block Recurrent Encoding)

这是该方法的关键创新。传统的计数编码（仅统计事件总数）丢失了时间信息。CWOT-CE 将复发过程分解为两个互补的标量摘要：

• AUC 负担：反映事件发生的密集程度和时机。
• 最后事件时间：反映疾病进展的轨迹终点。
  这种编码方式保留了比单一计数更多的时间轨迹信息，且比 Win Ratio 的逐对比较更易于聚合。

2.3 非加性聚合 (Non-Additive Aggregation)

使用 Choquet 积分 将上述 6 个维度聚合为单一的综合得分 $C_\mu(y)$。

• 模糊测度 (Fuzzy Measure)： 采用 2-加性模糊测度，不仅考虑各维度的权重，还考虑成对交互项（如冗余或协同效应）。
  • 示例： 生存与存活状态之间存在冗余（$I_{1,6} = -0.05$）；AUC 负担与最后事件时间之间存在协同效应（$I_{3,4} = +0.03$）。
• 这种方法允许处理维度间的相关性和非线性关系，避免了传统加权平均的局限性。

2.4 统计推断与归因

• 推断： 基于秩的 Mann-Whitney U 检验计算 Choquet 获益指数 (CBI)，并通过置换检验 (Permutation Test) 进行显著性检验，确保有限样本下的第一类错误控制。置信区间通过反演置换分布获得，保证与 p 值的双重性。
• Shapley 分解： 类似于博弈论中的 Shapley 值，量化每个组件对治疗效应的贡献度，提供可解释性（即治疗优势主要来自哪个维度）。

---

3. 研究设计与实验设置 (Study Design)

• 模拟研究： 遵循 ADEMP 框架，设计了 20 个临床动机场景（包括零假设、均匀效应、不一致效应、相关结构、稳健性测试等）。
• 样本量： 每组 500 人（部分场景为 100 或 1000），随访 3 年。
• 对比方法：
  • Cox TTFE (时间至首次事件)
  • Win Ratio (WRrec, 复发扩展版)
  • WLW (Wei-Lin-Weissfeld 边际模型)
• 重复次数： 零假设下 5000 次，其他场景 1000-2000 次。
• 软件： 开发了 R 包 cwotce (v1.0.0)。

---

4. 关键结果 (Key Results)

4.1 第一类错误控制

在尖锐零假设（Sharp Null）下，所有方法（包括 CWOT-CE）均将第一类错误控制在名义水平（约 5%），CWOT-CE 为 4.8% (MCSE 0.3%)，表现稳健。

4.2 统计效能 (Power) 比较

在 17 个非零假设场景中：

• 总体表现： CWOT-CE 在 15/17 个场景中优于 Cox TTFE（平均提升 28.8 个百分点），在 14/17 个场景中优于 WLW（平均提升 27.2 个百分点）。
• 与 Win Ratio (WR) 的对比：
  • CWOT-CE 在 10/17 个场景中优于 WR，5 个平局，仅 2 个场景略逊（平均提升 5.6 个百分点）。
  • 高相关性场景 (COR-H)： 当患者间存在强脆弱性（frailty）时，WR 的平局率高达 27%，导致效能大幅下降（29.1%）；而 CWOT-CE 保持 64.5% 的效能，领先 35.4 个百分点。
  • 不一致效应场景： 在仅由死亡驱动 (DIS-DO) 或仅由软终点驱动 (DIS-SO) 的场景中，CWOT-CE 均表现出显著优势或相当的性能。

4.3 编码敏感性分析

• 块状编码 vs. 计数编码： 将复发编码从简单的“计数”改为"AUC 负担 + 最后事件时间”的块状编码，在事件敏感场景中使效能提升了 22-51 个百分点。
  • 案例： 在 DIS-SO 场景中，计数编码效能仅为 45.9%，块状编码提升至 96.6%，几乎追平了 Win Ratio (99.5%)。
• 结论： 复发事件的编码方式（而非仅仅是聚合方法）是决定复合终点统计效能的关键因素。

4.4 归因分析

Shapley 分解成功识别了主导效应的组件（例如在 CAL-D 场景中识别出死亡率贡献占 50.1%），证明了方法的可解释性。

---

5. 主要贡献与意义 (Significance & Contributions)

1. 理论创新： 首次将 Choquet 积分（非加性聚合）应用于心血管复合终点分析，能够灵活处理维度间的冗余和协同效应，克服了传统线性加权的局限。
2. 方法突破 (Block Encoding)： 提出了“块状复发编码”策略，通过 AUC 负担和最后事件时间两个标量，有效保留了复发事件的时间轨迹信息，解决了传统计数法丢失时间维度的问题。
3. 解决 Win Ratio 的痛点： 在高相关性数据中，Win Ratio 因大量“平局”而损失信息，CWOT-CE 通过连续评分聚合避免了这一问题，显著提升了统计效能。
4. 可解释性与透明度： 通过 Shapley 分解，不仅给出整体结论，还能量化各组件（如死亡、住院、生物标志物）对治疗效果的贡献，辅助临床决策。
5. 实用工具： 提供了开源 R 包 cwotce，并进行了严格的预注册模拟研究，结果可复现。

6. 局限性与未来方向

• 权重预设： 组件权重和交互项需预先指定（虽然通过敏感性分析验证了稳健性）。
• 信息损失： 尽管块状编码大幅缩小了差距，但在某些极端复发轨迹下，仍可能无法完全捕捉 Win Ratio 逐对比较的全部细节（如 DIS-MP 场景中略逊于 WR）。
• 删失处理： 目前对删失数据的处理较为直接，未来计划引入 IPCW（逆概率删失加权）调整。

总结： 该论文提出了一种强大的、多维度的复合终点分析框架，通过结合非加性聚合（Choquet 积分）和精细的复发事件编码（Block Encoding），在保持统计严谨性的同时，显著提升了临床试验的统计效能和结果的可解释性，特别是在处理高相关性和多组分不一致效应的复杂场景下表现卓越。