Regression-Based Proximal Reconciliation of Conflicting Trials with Unmeasured Effect Modifiers

想象一下，你是一名正在试图破解谜题的侦探，但你的犯罪现场不是案发现场，而是医学研究。在科学领域，特别是被称为**因果推断（causal inference）的一个领域中，研究人员试图弄清楚一种特定的治疗方法（比如一种新药）是否真的能产生良好的结果（比如康复）。通常，他们通过随机对照试验（RCTs）**来进行研究，这就像是完美的硬币正反面实验，患者被随机分配接受药物或服用安慰剂。其目标是观察这种药物是否有效。

但转折在于，有时两个测试同一种药物、遵循完全相同规则的不同研究，却得出了截然不同的结论。一个研究说：“这种药是奇迹！”而另一个研究说：“这种药毫无作用！”这对于需要决定开什么处方的医生和监管机构来说是一个巨大的问题。核心问题在于：这些研究是真的相互矛盾，还是仅仅因为它们观察的人群不同？

要理解这一点，你需要了解什么是效应修饰因子（effect modifiers）。你可以把它们想象成改变药物作用方式的隐藏变量。例如，止痛药对年轻健康的患者效果极佳，但对于年长且有其他健康问题的患者可能完全无效。如果研究 A 主要招募了年轻健康的人，而研究 B 主要招募了年长且体弱多病的人，即使这种药物对每种特定类型的人的效果都是一样的，它们的结果也可能不同。挑战在于，科学家必须通过数学手段来证明，两项研究之间的差异究竟是因为“成分”不同，还是两项研究本身就是不兼容的。

---

侦探的新工具包：调和冲突的试验

在这篇论文中，由 Daniel Xu 及其同事领导的统计学家团队解决了一个著名的医学谜题：关于测试一种名为 17-alpha-hydroxyprogesterone caproate (17OHP-C) 的药物（该药旨在预防早产）的两项存在冲突的试验。

第一项名为 Meis 的试验发现，该药物非常成功，将早产风险降低了近 19%。但第二项规模更大的试验 PROLONG 则发现该药物完全没有益处。由于这种冲突，该药物最终被撤出了市场。巨大的疑问是：该药物在 Meis 试验中的女性身上有效，但在 PROLONG 试验中无效吗？还是说药物本身是一样的，只是两项试验中的女性在研究人员无法察觉的方面存在差异？

作者开发了一套新的统计学“侦探工具包”来解决这个问题。他们称之为基于回归的近端调和法（Regression-Based Proximal Reconciliation）。让我们用一个简单的类比来拆解它的含义。

“代理变量”问题

想象你在试图弄清楚为什么两组学生的考试成绩不同。你知道研究 A 的学生大多是熬夜学习的学生，而研究 B 的学生大多是睡眠充足的学生。你也怀疑存在一个隐藏因素，我们称之为**“脑力”**，它会影响成绩。但你无法直接测量“脑力”，它是不可见的。

然而，你确实拥有一些与“脑力”相关的线索，即代理变量（proxies）。也许你知道他们阅读了多少小时（代理变量 1），以及玩了多少小时电子游戏（代理变量 2）。尽管你看不见“脑力”，但这些代理变量可能会给你提供关于它的线索。

作者的方法利用这些代理变量（如阅读习惯或游戏时间）来数学化地“重建”不可见的“脑力”，并观察一旦考虑到这一点后，两组人的表现是否实际上是一致的。在医学试验中，“不可见因素”类似于宫颈长度（一种衡量怀孕风险的生物学指标），这在第一个试验中并未被测量，但被怀疑在两组之间存在差异。代理变量则是诸如女性既往早产史或孕前体重等因素。

两种检查方式：“条件”与“边际”

论文介绍了两种检查试验是否可以调和的方法：

1. 条件可调和性（“同类人”测试）： 这在问：“如果我们从 Meis 试验中取出一名特定的女性，并从 PROLONG 试验中取出一名具有完全相同特征（年龄、体重以及不可见的‘脑力’）的女性，药物对她们的效果是否相同？”如果答案是肯定的，则两项试验是可以调和的。作者开发了一种强大的新数学测试来检查这一点，它在识别差异方面比旧方法要好得多。
2. 边际可调和性（“平均人”测试）： 这在问：“如果我们对 Meis 试验的结果进行数学调整，使其看起来像 PROLONG 试验的人群，结果是否与 PROLONG 试验实际发现的结果相匹配？”这是一个较弱的测试，因为它只关心平均值，而不关心具体的个体。

“等效性”转折

通常，科学家试图证明两件事是不同的。但在这里，作者想要证明两件事足够相似，以至于可以被视为相同。他们使用了一种称为**等效性检验（Equivalence Testing）**的技术。

这就像一名法官判定两名嫌疑人是否为同一人。法官不是问“他们是否不同？”（这很容易证明），而是问“他们是否足够相似，以至于这种差异可以忽略不计？”法官设定了一个“误差范围”（比如怀孕的一周时间）。如果两项试验之间的差异小于这个误差范围，它们就被视为“已调和”。作者还创建了一个名为**调和比例（Reconciliation Proportion）**的新得分，它会告诉你两项试验之间的冲突中有百分之多少可以被人群差异所解释。100% 的得分意味着人群差异解释了一切；0% 则意味着人群差异解释了一切也无。

他们的发现是什么？

作者将他们的新工具包应用于 Meis 和 PROLONG 试验，利用不同的“代理变量”（如既往生育史和体重）来推测不可见的“宫颈长度”因素。

• 结果： 在其中一次分析中，强大的新式“条件”测试（“同类人”测试）发现了在统计学上显著的证据，表明两项试验是不可调和的。这表明，即使在考虑了可见差异和由代理变量推测出的不可见因素后，两组之间仍然存在其他隐藏的差异，解释了为什么药物在其中一个试验中有效而在另一个中无效。
• “平均人”测试： 当他们观察“平均人”（边际可调和性）时，结果褒贬不一。数学表明，不可见因素可能解释了部分差异，但证据并不足以明确得出结论。
• “等效性”测试： 当他们试图证明两项试验在（一周的怀孕时间范围内）足够相似时，他们失败了。传输后的结果与实际结果之间的差异太大，无法被忽视。

总结

论文的结论是，所选的代理变量（即他们用来猜测不可见因素的线索）可能太弱了，无法完全解释这种冲突。其“调和比例”得分较低或具有巨大的不确定性范围，这意味着数学无法自信地判定：“啊，这仅仅是因为人群不同！”

相反，研究结果表明，Meis 和 PROLONG 试验之间的冲突很可能是由于其他隐藏因素造成的，而这些因素是研究人员没有测量或无法通过代理变量猜到的。这些因素可能是医院管理方式的差异、医疗质量的获取程度，或其他生物学因素。

简而言之，作者构建了一个精密的数学显微镜，用来寻找为什么医学试验会出现分歧的隐藏原因。当他们将这台显微镜对准著名的 17OHP-C 药物试验时，显微镜显示，“不同人群”理论并不是故事的全貌。由于仍有研究人员尚未掌握测量方法的不可见力量在起作用，这些试验可能仍然是无法调和的。这篇论文并没有解决关于该药物的谜团，但它提供了一种更好的方式，让我们去询问关于研究为何产生分歧的正确问题。