📊 statistics

Causal Survival Forests with Negative Controls

本文引入了负控制因果生存森林（NC-CSF），这是一种将来自近端因果推断的负控制与因果生存森林相结合的新型非参数方法，旨在尽管存在未观测到的混杂因素和删失结局，仍能准确估计观测生存研究中的异质性治疗效应。

原作者： Zijun Gao, Kyounggeui Hong, Leyi Ma, Qianli Wu, Zachary Izzo, Ruishan Liu

发布于 2026-08-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Zijun Gao, Kyounggeui Hong, Leyi Ma, Qianli Wu, Zachary Izzo, Ruishan Liu

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

在医学研究领域，科学家们经常通过回顾过去来理解未来。他们检查接受不同治疗的患者记录，以观察哪些治疗能帮助他们延长寿命或更快康复。这是一种强大的学习方式，但也隐藏着一个陷阱。在真实的医院中，医生并不会像抛硬币那样随机分配治疗方案。相反，他们会根据所观察到的情况进行选择：患者的年龄、血压或病情的严重程度。有时，他们还会依赖一些无法直接观测的信息，例如患者的基因构成，或是他们在走进诊所之前的健康习惯。这些不可见的因素可能会使结果产生偏差，使某种治疗看起来比实际效果更好或更差。当研究人员试图弄清某种治疗对特定人群的效果时，这些隐藏的影响可能会导致他们得出错误的结论，从而可能对未来的患者造成伤害。

为了解决这个问题，一个研究小组开发了一种新方法，其作用就像是针对这些不可见因素的侦探。他们将这种方法称为“负控制因果生存森林”（Negative Control Causal Survival Forests）。其核心理念在于利用“负控制”，即作为线索的数据片段。想象一下，一位医生正在查看患者的病史。他们可能会发现一项在治疗开始前进行的测量值，该数值与患者的基础健康状况相关，但本身并不会被治疗所改变。通过研究这种预先存在的测量值如何与结果相关联，这种新方法可以从数学上解开隐藏影响的纠缠。这使得研究人员能够分离出治疗的真实效应，即使他们无法直接测量那些导致医生选择该治疗方案的因素。

研究人员通过模拟数千种不同的医学场景来测试这种方法，范围涵盖了从简单案例到隐藏影响极强且数据不完整的复杂情况（即部分患者在结果明确前就退出了研究）。在这些计算机实验中，这种新方法表现得始终优于现有工具。它显著降低了估计治疗效应时的误差，与标准方法相比，通常能将错误率降低近一半。该方法在数据杂乱或隐藏因素难以检测时表现得尤为有效，证明了它即使在充满噪声的环境中也能找到真实的信号。

随后，研究团队将该方法应用于真实的医疗记录，以观察其在模拟环境之外的表现。他们分析了一项涉及一千多名患者的大型艾滋病临床试验数据。在这项研究中，他们观察了特定的药物组合如何影响不同年龄段的生存时间。以往的方法表明，无论年龄大小，这种药物组合都是有益的。然而，新方法揭示了一个更细致的图景：它表明对于年轻患者，这种组合几乎没有带来益处，甚至可能比标准治疗效果略差；而对于年长患者，其益处则是明确且积极的。这一发现与现有的医学建议更为吻合，因为现有建议主张根据年龄量身定制治疗方案，而旧方法完全忽略了这一关键差异。

在另一项使用重症成年人数据的测试中，研究人员检查了一种特定诊断程序对生存率的影响。新方法证实了其他研究的观点：该程序与较低的生存率相关。其结果与其他先进统计技术的研究结论一致，这让研究人员对他们方法的正确性充满了信心。他们还将该方法应用于一份医院记录数据库，以研究特定药物相互作用对肾脏健康的影响。该方法检测到了当该药物与另一种药物结合时产生的明显有害影响，而其他标准工具未能以同样的清晰度识别出这一结果。

研究人员并未止步于寻找答案，他们还开发了一个完整的软件包，使其他科学家无需成为高级数学专家即可使用这种方法。他们精心设计了该软件，以处理现实数据中的实际困难，如信息缺失或极端值，确保结果保持稳定可靠。通过使该工具变得易于获取，他们希望能够让其他研究人员将这种严谨的方法应用于自己的研究中，从而获得更准确的医学洞察。

这项工作表明，通过使用这些巧妙的统计线索，我们可以看穿经常笼罩医学研究的未测量因素之迷雾。它并不声称自己是解决所有问题的魔杖，但它提供了一种处理观察性数据复杂现实的稳健方式。研究结果表明，当我们考虑到这些隐藏影响时，对于谁能从治疗中获益以及谁不能获益的理解会变得更加清晰。这种清晰度对于做出更好的医疗决策至关重要，能确保将治疗精准地给予那些真正能从中受益的人。

技术摘要：带有负控制项的因果生存森林 (Causal Survival Forests with Negative Controls)

问题阐述
本文研究了在观测性生存研究中估计异质性治疗效应（HTE）的问题，这类研究具有两个同时存在的挑战：右删失结局和未观测到的混杂因素。虽然现有的机器学习方法（如因果生存森林，CSF）提供了灵活的非参数化 HTE 估计，但它们通常依赖于可忽略性假设（即不存在未观测到的混节）。在许多生物医学背景下，这一假设是不切实际的；未观测到的混杂因素会导致治疗效应估计出现显著偏差。此外，标准的近端因果推断框架（利用负控制项来解决未观测到的混杂问题）主要针对参数化假设下的平均治疗效应（ATE）或无删失数据而开发。目前缺乏能够处理同时存在删失和未观测混杂情况下的灵活、非参数化 HTE 估计方法。

方法论：负控制因果生存森林 (NC-CSF)
作者提出了负控制因果生存森林（NC-CSF），这是一种将近端因果推断与因果生存森林相结合的非参数学习器。该方法依赖于负控制结局 ( $W$ ) 和负控制治疗 ( $Z$ ) 的可用性，这两个变量相对于潜在混杂因素 ( $U$ )、主要治疗 ( $A$ ) 以及潜在结局满足特定的条件独立性假设。

该方法的核心在于构建一个将“桥接函数”（bridge functions）整合进随机森林的损失函数，以调整未观测到的混杂因素。其步骤如下：

桥接函数： 该方法假设存在满足特定条件矩方程的桥接函数 $f_a(w, x)$ 和 $q(z, x)$ 。这些函数允许使用可观测变量（ $W, Z, X$ ）来表示潜在的条件结局机制和治疗机制，从而有效地绕过未观测到的 $U$ 。
残差化： 作者为治疗和结局分别定义了经桥接调整的残差。
- 治疗残差为 $A^{res}_i = A_i - \hat{q}(Z_i, X_i)$ 。
- 结局残差 $Y^{res}_i$ 是一个经过删失校正且经桥接调整的伪结局。它结合了观测到的事件时间、删失指示器和桥接估计值，形成一个与扰动函数估计误差正交的分数。
损失函数： 森林的训练目标是最小化结局残差与治疗效应函数 $\tau(X)$ 及治疗残差之积之间的平方误差：
$\ell_{NC-CSF} = \sum_{i=1}^n (Y^{res}_i - \tau(X_i) A^{res}_i)^2$
扰动估计与正交性： 该方法采用了 Neyman 正交化，确保得分函数在真值处对扰动函数（倾向评分、桥接函数、删失风险函数等）的路径导数为零。这为应对扰动函数估计过程中的误差提供了鲁棒性。作者利用交叉拟合（cross-fitting）来防止在扰动估计阶段出现过拟合。
目标估计量： 该方法针对的是加权异质性治疗效应 $\tau^w(x)$ 。当潜在混杂因素不会在观测协变量之外修改治疗效应，或者当权重函数与治疗效应不相关时，该量等于标准的条件平均治疗效应（CATE）。

核心贡献

方法论创新： 本文引入了一个灵活的非参数框架，用于在存在删失生存数据的情况下估计 HTE，并显式地利用负控制项来调整未观测到的混杂因素。它扩展了 CSF 损失函数，将其纳入了源自近端因果推断的桥接函数。
理论证明： 作者提供了理论证明，表明所提出的损失函数可以减轻来自未观测混杂因素的偏差。他们建立了得分函数的 Neyman 正交性，证明该估计量仅对扰动估计误差具有二阶敏感性。此外，他们证明了在标准有界性和重叠条件下，交叉拟合估计量具有渐近正态性和一致性。
实证表现： 通过涵盖 264 种配置（包括不同的混杂强度、代理变量相关性、删失机制和维度）的广泛模拟，NC-CSF 展示了相比于现有基准模型（包括标准因果生存森林 CSF、随机生存森林 RSF 和 BART）在降低偏差和估计误差方面的显著优势。
实际实现： 作者提供了一个现成的 Python 工具包，处理包括扰动估计、变量裁剪和交叉拟合在内的实际实现细节，以确保有限样本下的性能稳定性。

结果

模拟实验： 在删失设置中，相对于缺乏负控制桥接的匹配删失基准模型，NC-CSF 将受限平均生存时间（RMST）的均方根误差（RMSE）降低了 40.2%，将生存概率的 RMSE 降低了 22.2%。它还优于外部学习器（如 grf 中的 R-CSF 实现）。该方法在不同水平的混杂程度和代理质量下均保持稳健，尽管当代理变量是非单射或被粗粒化时，性能略有下降。
真实数据应用：
- ACTG175 (HIV 临床试验)： 应用于比较 ddI 单药治疗与 ZDV+ddI 的子集，NC-CSF 揭示了年龄依赖性的治疗效应：ZDV+ddI 的获益对于年轻人为负，对于老年人为正。这与标准的 R-CSF 不同，后者在所有年龄段都给出了统一的正向估计，而 NC-CSF 的结果更符合现有的个体化治疗规则文献。
- SUPPORT (右心导管术)： 该方法估计了 30 天生存率的负平均治疗效应，这与以往认为在观测性研究中右心导管术可能带来危害的文献一致。
- MIMIC-IV (药物学研究)： 通过分析他克莫司（tacrolimus）与 CYP3A 抑制剂之间的相互作用，NC-CSF 检测到正控制组中急性肾损伤（AKI）风险的显著增加，而在惰性控制组中未发现效应，这证明了该方法在检测特定相互作用而不产生假信号方面的能力。

意义与主张
本文声称，对于担心未观测混杂因素的生存分析场景，NC-CSF 提供了一个实用的解决方案，而在这些场景下传统的因果推断方法往往会失效。通过在灵活的机器学习框架内利用负控制项，该方法能够发现可能被偏差掩盖的可解释的治疗效应异质性模式。作者强调，尽管该方法较现有基准有了显著改进，但负控制假设的有效性是特定于应用的，无法仅从观测数据中进行验证。他们还指出，目标估计量是一个加权平均值，如果潜在的治疗效应异质性与经桥接调整的治疗变异相关，则该量可能不同于传统的 CATE。这项工作被视为迈向在复杂观测生存研究中实现更稳健因果推断的一步，并辅以开源软件以促进其应用。

类似论文