📊 statistics

Efficient Cumulative Incidence Estimation in Biobank Studies Using All Prevalent and Incident Events

本文提出了一种用于生物样本库研究的新型累积发病率函数估计量，该估计量通过结合患病病例和新发病例，改进了现有方法，从而能够通过理论分析、模拟以及在 UK Biobank 癌症数据上的应用，实现对早期发病且长生存期疾病的准确发病率估计。

原作者： David M. Zucker, Malka Gorfine

发布于 2026-06-19

📖 1 分钟阅读☕ 轻松阅读

原作者： David M. Zucker, Malka Gorfine

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：在“快照”世界中计数疾病

想象一下，你正试图统计一个城市中有多少人一生中会患上某种特定疾病（例如乳腺癌）。在过去，研究人员会挑选一群健康的人，等待他们生病，然后观察发生了什么。这就像是在比赛开始时站在起跑线上，看着每个人奔跑。

但现代的“生物样本库”（巨大的健康记录数据库）运作方式不同。它们不是从比赛开始，而是对一群已经走了很久的人群进行快照。

设置： 只有当人们处于特定年龄段（例如 40 到 69 岁）时，才允许他们加入研究。
问题： 当这些人加入研究时，有些人已经生病了（这些被称为现患病例）。有些人加入后才生病（这些是新发病例）。有些人病后很快去世。有些人病后生活了几十年。有些人从未生病。

论文作者 Zucker 和 Gorfine 正试图构建一个更好的“数学相机”，利用这些来自快照的杂乱数据来估算患病风险。

三种旧相机（以及为什么它们很模糊）

为了理解他们的发明，我们首先需要了解为什么观察数据的老方法存在缺陷。

1. “Aalen-Johansen”相机（严格的守门员）

运作方式： 这种方法只统计进入研究后才生病的人。它完全忽略了那些在走进大门时就已经生病的人。
缺陷： 这就像一位老师在批改试卷，却拒绝计算任何迟到学生的答案，即使他们答对了。
结果： 它丢失了大量的数据（“现患”病例）。它也无法告诉你 30 岁时的患病风险，因为研究开始时没有人是 30 岁的。它丢弃了有价值的信息。

2. “GZS”相机（“仅限死亡”过滤器）

运作方式： 这种方法试图包含那些加入时已经生病的人。然而，它有一个严格的规则：它只统计那些在研究期间死亡的病人。如果一个人病了但在研究结束时仍然活着，这个相机就会忽略他们。
缺陷： 对于那些致死很快的疾病（如快速传播的流感），这种方法效果很好。但对于像乳腺癌这样人们在诊断后往往能生活 20 或 30 年的疾病，这个相机是失明的。
类比： 想象一下，你试图通过只观察那些车祸身亡的人来统计有多少人买了某款特定的车。如果大多数人在 20 年内都没有出车祸，那么你对买这款车的人数的估计将会非常低。
结果： 在英国生物样本库的数据中（包括乳腺癌），这种方法显著地低估了风险，因为它忽略了所有的幸存者。

3. “提议的”相机（全新的、全能的镜头）

运作方式： 作者构建了一个新的数学工具，可以统计所有人。
- 它统计加入前已生病的人。
- 它统计加入后才生病的人。
- 它统计病后去世的人。
- 关键在于： 它还统计了生病并在研究结束时仍然活着的人。
魔力： 它使用了一种聪明的权重系统来平衡数据。它意识到，如果你看到一个健康的 40 岁的人，他们比一个 30 岁就去世的病人“更有可能”生存到 40 岁。它通过调整数学计算来解释这些差异，而无需丢弃任何人。

为什么这很重要：“乳腺癌”案例

论文在来自英国生物样本库的真实数据上测试了这个新相机，专门观察了乳腺癌。

情况： 乳腺癌通常发生较早，且女性在诊断后通常能长期生存。
旧的结果：
- “严格的守门员”（Aalen-Johansen）给出了一个合理的答案，但其“误差范围”非常宽（就像一张模糊的照片），因为它忽略了一半的病人。
- “仅限死亡”过滤器（GZS）给出了一个非常低的、错误的结果，因为它忽略了所有仍然存活的女性。
新的结果：
- 新方法给出的答案与“严格的守门员”非常接近（意味着它是准确的）。
- 但是，由于它使用了所有的数据（包括幸存者和已经生病的人），其“误差范围”缩减为原来的一半。
- 类比： 这就像是用高分辨率镜头拍照，而不是用模糊的镜头。你看到的场景相同，但细节要清晰得多，你也对所见内容更有信心。

核心结论

作者创造了一个新的统计工具，修复了医学研究中的一个主要盲点。

它利用一切： 它不会丢弃已经生病的人或仍然活着的人。
它更准确： 即使对于那些诊断后存活时间很长的疾病（如许多癌症），它也能表现出色。
它更高效： 它利用同样的数据量提供了更清晰、更精确的疾病风险图景，有效地使研究的“效能”翻倍。

简而言之，他们找到了一种停止丢弃一半拼图碎片的方法，从而让科学家能够更清晰地看到疾病风险的全貌。

技术摘要：生物样本库研究中高效的累积发病率估计

问题陈述
本文解决了利用基于人群的生物样本库数据估计特定疾病累积发病函数（CIF）的挑战。生物样本库研究通常在特定的年龄窗口 $[R_L, R_U]$ 内招募受试者（例如，英国生物样本库中的 40–69 岁），并对其进行前瞻性随访。这种设计引入了两个关键的统计复杂性：

左截断（Left Truncation）： 个体只有在存活到其招募年龄 $R_i$ 时才会被观察到。因此，发病率必须在存活至 $R_L$ 的条件下进行估计，记作 $G_1(t | T_2 > R_L)$ 。
现患病例与新发病例（Prevalent vs. Incident Cases）： 数据包括“现患病例”（在招募前已确诊的个体）和“新发病例”（在招募后确诊的个体）。此外，该疾病是非终结性的；个体在诊断后可能死亡，也可能在随访结束时仍然存活。

现有方法无法有效处理这些因素的结合。标准的左截断调整 Aalen-Johansen (AJ) 估计量排除了现患病例，实际上估计的是一个不同的目标：即在招募时无疾病状态下的 CIF（ $G_1(t | T_1 > R_L, T_2 > R_L)$ ）。逆概率加权（IPW）方法，如 Chang 和 Tzeng (2006)、Vakulenko-Lagun 等 (2017) 以及 Gorfine 等 (2025) (GZS) 的方法，试图纳入现患病例，但存在显著局限性。具体而言，GZS 估计量仅向在随访期间死亡的疾病病例分配正质量。这导致在生存时间较长（如乳腺癌等常见疾病）的情况下产生严重的偏差和低效，因为许多现患和新发病例在研究结束时仍处于存活状态，从而被 GZS 方法丢弃。

方法论
作者提出了一种新型的全无参数 CIF 估计量，记作 $\hat{G}_1(t^*_1)$ ，旨在纳入所有观察到的疾病病例（包括现患病例和新发病例），无论个体是在研究期间死亡还是在随访结束时仍处于存活状态。

该估计量构建于疾病-死亡模型（半竞争风险模型）框架内，其中状态转移发生于健康 (0) $\to$ 患病 (1) 以及患病 (1) $\to$ 死亡 (2)，或者直接从健康 (0) $\to$ 死亡 (2)。所提方法的核心是一个基于数据条件联合密度的权重方案。估计量形式如下：
$\hat{G}_1(t^*_1) = \frac{1}{n} \sum_{i=1}^n \delta_{1i} I(V_{1i} \le t^*_1) \hat{Q}(V_{1i})$
其中 $\delta_{1i}$ 表示疾病发作， $V_{1i}$ 是观察到的第一个事件（诊断或死亡）发生的时间， $\hat{Q}$ 是一个数据驱动的权重函数。

为了确保一致性， $\hat{Q}$ 被选择为估计函数 $\hat{B}(V_{1i})$ 的倒数，该函数考虑了：

在存活条件下的招募年龄分布 ( $f_{R|R \le T_2}$ )。
死亡的生存函数 ( $S_{T_2}$ )。
给定疾病发作后的死亡条件生存函数 ( $S_{T_2|T_1}$ )。
从招募到删失的时间分布 ( $S_W$ )。

条件生存函数 $S_{T_2|T_1}$ 使用基于核的非参数回归方法（Nelson-Aalen 版的 Beran 估计量）进行估计。核函数的带宽通过基于鞅残差（martingale residuals）的 $K$ -折交叉验证程序进行选择。

主要贡献

新型估计量： 本文引入了第一个在疾病-死亡模型中能够利用所有疾病病例（包括现患病例和随访结束时仍存活的病例）的、完全无参数且一致的 CIF 估计量。
理论性质： 作者确立了所提估计量的一致性和渐近正态性。他们提供了影响函数（influence function）的显式公式，从而能够构建逐点置信区间和同时置信带。
效率提升： 通过纳入以往方法丢弃的数据（特别是现患病例和长期生存者），新方法实现了显著更高的效率，从而获得了更窄的置信区间。
软件实现： 提供了一个名为 illdthCIF1 的 R 包来实施所提估计量。

结果

模拟研究： 作者针对涉及不同疾病发作、死亡和删失分布的多种场景进行了广泛的模拟。
- 在随访时间相对于诊断后生存时间较短的场景下（即许多患者仍处于存活状态），GZS 估计量表现出严重的偏差，低估了 CIF。所提估计量基本保持无偏，仅在特定配置下随样本量增加而呈现轻微偏差。
- 在随访时间较长的场景下，GZS 估计量是无偏的，但所提估计量的标准差更低（效率更高）。
- 在大多数场景中，所提方法为逐点置信区间和同时置信带提供了令人满意的覆盖率。
英国生物样本库应用： 该方法应用于来自英国生物样本库的乳腺癌及其他癌症数据（约 25 万名女性参与者）。
- 对于乳腺癌（其诊断后生存时间通常较长），GZS 估计量与 AJ 及所提方法相比，系统性地低估了 CIF。
- 所提估计量与 AJ 估计量在乳腺癌的估计值上相似，但所提方法产生的置信带明显更窄。具体而言，乳腺癌 95% 同时置信带的平均宽度从 0.0068 (AJ) 降至 0.0035 (所提方法)，实现了近两倍的效率提升。
- 对于诊断后生存时间较短的癌症（如肺癌、白血病），三种方法产生的估计值相似，因为死亡情况被观察得更为完整。

意义
本文声称其主要意义在于填补了生物样本库分析中的方法论空白。虽然生物样本库为研究罕见疾病和长潜伏期终点提供了前所未有的力量，但标准估计量要么丢弃了宝贵的现患数据 (AJ)，要么未能考虑到诊断后的长期生存 (GZS)。所提方法能够高效且一致地估计以招募存活为条件的疾病发病率，并充分利用了全谱系的可获得数据。这对于像乳腺癌这样忽略现患病例或长期生存者会导致偏差或低效的疾病研究尤为重要。作者强调，其方法使估计过程与生物样本库研究的真实条件估计量保持一致，同时实现了统计效率的最大化。