📊 statistics

Doubly robust Methods for Recurrent Event Outcomes: Causal Effects of Blood Pressure Medications on Acute Kidney Injuries

本文提出了一种先进的双重稳健方法，用于利用收缩压干预试验数据来估计标准与强化血压治疗对复发性急性肾损伤的因果效应，同时解决了时变混杂、模型误设定、药物依从性以及死亡这一半竞争风险的问题。

原作者： Wenling Zhang, Cecilia Cotton, Lan Wen

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Wenling Zhang, Cecilia Cotton, Lan Wen

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

想象一下，你正试图弄清楚一种特定的饮食计划（我们称之为“强化饮食”）是否比“标准饮食”会导致更多的胃痛。但这里有一个难点：人们并不总是能完美地遵循饮食计划，而且有些人可能会因为其他原因病得很重，以至于完全停止进食（我们称之为“退出研究”）。

这篇论文就像是一个关于如何测量这些饮食对胃痛真实影响的精密侦探故事，即使在人们不遵守饮食或退出研究的情况下也是如此。研究人员将这种侦探工作应用于一项名为 SPRINT 的真实医学研究，该研究观察了两种治疗高血压的方法：标准方法和强化（更严格）方法。

以下是他们工作的详细拆解，使用了简单的类比：

1. 问题所在：这不仅仅是一次性的决定

通常，当科学家研究一种治疗方法时，他们会问：“你开始时吃药了吗？”但在现实生活中，服用降压药就像一场马拉松，而不是短跑。人们可能连续一个月每天都吃药，然后忘记吃一周，接着又开始吃。

研究人员想要了解：

意向性治疗（“分配”视角）： 如果我们将某人分配到强化饮食组，无论他们实际上是否坚持执行，他们是否比被分配到标准饮食组的人更容易出现胃痛？
符合方案（“完美依从”视角）： 如果我们想象一个每个人都完美遵循其分配饮食的世界，强化饮食是否会导致更多的胃痛？

2. 复杂因素：“退出研究”的影响

在 SPRINT 研究中，一些患者去世了。在医学统计学中，死亡是一个棘手的问题。如果一名患者去世了，他就无法再发生另一次胃痛（或者在这种情况下，指另一次急性肾损伤，即 AKI）。

陷阱： 如果你只是简单地忽略那些去世的人，你可能会得到错误的答案。这就像是在统计有多少人在赛跑中摔倒，但只统计那些完成比赛的人。如果“强化饮食”组因为去世得早导致完成比赛的人较少，你可能会错误地认为他们摔倒的次数更少。
解决方案： 研究人员将死亡视为一种“半竞争风险”。把它想象成一场比赛，其中一些跑者的赛道突然中断了。他们建立了一个模型来解释死亡停止了未来发生肾损伤的可能性，从而确保他们不会在无意中掩盖了真实的风险。

3. 工具：“双重稳健”的安全网

为了解决这个问题，作者使用了一种称为双重稳健估计（具体使用的是被称为目标最大似然估计，或 TMLE 的方法）的方法。

类比： 想象你正在尝试预测天气。你有两个不同的天气预报员（模型）：

预报员 A 观察风力和云层（治疗/依从性）。
预报员 B 观察温度和湿度（患者病史/结局）。

通常，如果一个预报员错了，你的预测也会出错。但有了这种“双重稳健”方法，只要至少有一个预报员是正确的，你就是安全的。即使关于风的数学计算很混乱，如果温度的数学计算是可靠的，你仍然能得到正确的答案。这使得结果非常可靠，即使研究人员最初对数据的假设并不完美。

4. 研究结果：他们发现了什么？

在对 SPRINT 数据（涉及超过 9,000 人）进行复杂的数学运算后，他们发现了以下结果：

强化方法会导致更多的肾损伤： 无论是从分配角度看（意向性治疗），还是从想象每个人都完美遵守规则的角度看（符合方案），强化血压治疗在前四年的急性肾损伤（AKI）发作次数都略高于标准治疗。
差异虽小但真实存在： 这种增加很小（大约每 100 人增加 1 或 2 例事件），但在统计学上是显著的。
依从性并没有改变太多： 有趣的是，人们是完美服药还是仅仅是按要求服药，对结果影响不大。对于“完美依从”的结果与“分配”的结果几乎完全相同。这表明，在这项特定的研究中，大多数人已经做得相当好，能够很好地遵循医嘱，因此强迫他们变得“完美”并不会改变结果。
死亡 vs. 肾脏问题： 研究人员指出，由于研究中的死亡率较低（低于 5%），“总效应”（包括死亡的影响）看起来与“直接效应”（仅限肾脏问题）非常相似。然而，他们警告说，在死亡率更高的其他研究中，忽略死亡会导致非常错误的结论。

5. 核心结论

这篇论文并不是说“停止接受强化血压治疗”。相反，它提供了一种更好的衡量方式来权衡利弊。

它证实了虽然强化血压控制对心脏非常有益，但也会带来微小的、可衡量的肾脏代价。研究人员证明了他们的数学“侦探工具”可以处理现实中人们行为随时间变化的复杂情况，以及人们退出研究的情况，从而为医生提供关于真实风险与收益的更清晰图景。

技术摘要：针对重复事件结局的双重稳健方法

问题陈述
评估治疗策略对重复事件结局（例如急性肾损伤发作）的平均因果效应（ACE）在临床研究中至关重要，但在方法论上具有挑战性。标准分析往往无法充分处理涉及随时间变化的治疗、随时间变化的混杂因素以及不依从性的纵向复杂情况。此外，以往估计重复事件 ACE 的研究主要集中在点暴露设置，忽略了持续治疗依从性的细微差别。此外，“半竞争风险”（如死亡）的存在使分析重复非终点事件变得复杂，因为死亡会截断未来事件的风险集。SPRINT（收缩压干预试验）数据呈现了一个特定案例，即强化与标准血压管理可能对急性肾损伤（AKI）复发和死亡产生不同的影响，这需要稳健的因果推断方法来解构这些效应。

方法论
作者提出了一个基于反事实模型和纵向 g-公式的框架，用于估计在随时间变化的治疗和依从性机制下的因果效应。

数据结构与识别：
- 研究定义了一个包含基线变量 ( $L_0$ )、随时间变化的协变量 ( $L_k$ )、治疗分配 ( $Z$ )、随时间变化的依从性 ( $A_k$ ) 以及二元重复事件指标 ( $Y_k$ ) 的纵向数据结构。
- 因果识别依赖于三个标准假设：条件可交换性（Conditional Exchangeability）、正值性（Positivity）和一致性（Consistency）。
- 目标估计量是特定治疗 ( $z$ ) 和依从性 ( $\bar{a}_K$ ) 干预方案下的预期累积重复事件计数 ( $E[R_{K+1}^{z, \bar{a}_K}]$ )。这通过迭代条件期望（ICE）形式进行表达。
通过 TMLE 进行双重稳健估计：
- 作者扩展了纵向目标最大似然估计（TMLE），以处理离散时间网格上的重复事件结局。
- 该方法利用有效影响函数（EIF）构建具有双重稳健性的估计量：如果倾向评分模型（治疗/依从性机制）或结局回归模型中有一个被正确设定，则估计量保持一致性。
- 实现过程结合了机器学习算法（如极端梯度提升、广义加性模型）进行干扰函数（nuisance function）估计，以减轻模型误设定偏差。
- 该算法涉及一个迭代更新过程，其中通过源自倾向评分的波动参数来调整结局回归模型，从而针对特定的估计量进行靶向调整。
处理半竞争风险：
- 为了解决死亡截断重复事件观察的问题，死亡 ( $D_k$ ) 被建模为半竞争风险，而非作为需要消除的删失事件。
- 死亡被纳入随时间变化的协变量 ( $L_k^*$ ) 中，并具有确定性关系，即死亡意味着未来事件的停止（ $D_k=1 \implies Y_k=0$ ）。这使得估计总效应成为可能，该效应包含了由死亡介导的路径。

主要贡献

方法论扩展： 本文将针对重复事件结局的因果估计量和数据结构进行了形式化定义，涵盖了随时间变化的治疗与依从性，扩展了纵向 TMLE 在此特定背景下的应用。
实际应用实现： 提供了一个使用机器学习构建双重稳健估计量的透明、分步实现指南（算法 1），便于在现实研究中的应用。
处理复杂性： 该框架明确解决了随时间变化的混杂因素、不依从性（允许进行意向治疗分析和符合方案分析）以及死亡这一半竞争风险，且无需依赖于消除死亡的假设性干预。

结果（SPRINT 应用）
将所提方法应用于 SPRINT 数据集（9,322 名受试者），以评估强化血压控制（ $<120$ mm Hg）与标准血压控制（ $<140$ mm Hg）对四年期间 AKI 复发的效应。

总意向治疗（ITT）效应： 将患者分配到强化治疗组会导致 AKI 事件的数量较标准治疗组显著增加。估计差异为 0.019（95% CI: [0.011, 0.026]）。
总符合方案（PP）效应： 在假设完全遵循分配方案的情景下，强化治疗组的预期 AKI 复发次数也略高于标准组。估计差异为 0.017（95% CI: [0.007, 0.027]）。
依从性效应： 对依从性人群干预效应（PIE）的补充分析表明，从观察到的依从性转向完全依从对 AKI 复发率的影响微乎其微，这表明 ITT 与 PP 估计值之间的相似性归因于研究人群中较高的基线依从性。
稳健性： 关于时间离散化（每两年一次 vs. 每年一次）以及使用不同机器学习算法（GLM, XGB, GAM）的敏感性分析均得出了 consistent（一致）的结果，证实了因果结论的稳健性。

意义与主张
本文声称其方法论为在存在半竞争风险的情况下，估计重复事件治疗策略的总因果效应提供了一种严谨的方法。通过将死亡视为一种截断事件而非需要假设性消除的删失机制，作者认为其方法比依赖于“受控直接效应”（这类效应需要关于消除死亡的定义可能模糊的假设）的方法能更准确地反映现实世界的公共卫生意义。

作者得出结论，虽然强化血压控制降低了死亡率，但它与重复 AKI 发作频率的轻微增加相关。他们强调，其结合了机器学习增强的双重稳健 TMLE 框架，为临床医生和研究人员在具有复杂依从性和竞争风险结构的纵向研究中，权衡心血管获益与肾脏风险提供了可靠的工具。论文也审慎地指出，依从性定义的有效性取决于间隔水平的依从性测量能够准确反映真实依从性的假设，这一局限性在依从性较低的人群中可能更为明显。