The Biomarker Interaction Trap: A Causal Audit of Spurious Discoveries in NHANES
本文表明，在 NHANES 数据中识别出的三个看似稳健的生物标志物相互作用，实际上是由于血液浓缩、适应症混杂以及不当的人口统计学参考范围所导致的统计方法学伪影，并指出当混杂机制具有可重复性时，仅靠重复实验无法验证生物信号。
原始论文采用 CC BY 4.0 许可（https://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
在现代医学广袤的版图中，研究人员经常转向海量的数字化患者记录档案，以寻找可能预示疾病的隐藏模式。这些数据库充满了来自血液测试和体格检查的数千项测量数据，它们就像一张巨大的地图，科学家们希望从中发现生物标志物与健康结果之间的新联系。其逻辑非常直接：如果在一群患有某种特定疾病的人群中，血液测试中的两个特定数值总是同步上升或下降，那么这种关系可能会揭示该疾病的新诱因或治疗方法。当一个模式出现在一组人群中，随后又在另一组完全不同的人群中再次出现时，科学家通常会将其视为一项确定的发现而欢欣鼓舞。然而，这种信心可能是错位的。仅仅因为一个模式重复出现，并不意味着它是真实的；它可能仅仅反映了数据的收集方式或研究对象的构成。如果同一个隐藏因素以相同的方式影响了不同组别中的测量值和疾病，那么该模式看起来会既一致又具有说服力，即便它与生物学毫无关系。
这就是詹姆斯·布罗迪（James Brody）在最近对美国国家健康与营养调查（一项针对美国人口的大规模持续性研究）进行的审计中所试图解决的核心谜题。布罗迪检查了三种被认定为疾病风险强预测因子的特定血液标志物相互作用。这些相互作用通过了复制性测试，出现在多组独立的人群中，但布罗迪证明了其中每一个都是统计学上的幻觉，而非真实的生物信号。他指出，这些所谓的“发现”实际上是三种截然不同的方法论陷阱的结果：一个是由人体体液水平在抽血前发生变化引起的，另一个是由医生决定给谁用药的方式引起的，第三个则是由于全人群平均值未能考虑到男女差异所致。通过剥开这些人工制品（artifacts）的层层外壳，这项研究揭示了，那些看似复杂的“生物之舞”，其实只是由数据本身制造的一个简单的海市蜃楼。
第一个陷阱涉及人体在脱水或长时间站立时血液浓度的变化方式。血液主要是水，蛋白质和脂肪等物质溶解在水中。当血液中的水分量轻微下降时——可能是因为患者口渴，或者是因为在抽血过程中止血带扎得太久——剩余的液体会变得更加拥挤。这会导致测得的较大分子（如白蛋白和胆固醇）水平同时升高，并不是因为身体产生了更多物质，而是因为缺乏足够的水分来稀释它们。在研究中，研究人员发现高白蛋白与高胆固醇之间存在强关联，似乎能预测不受控的高血压。然而，当他们调整分析方法，利用钠水平等简单指标来考虑水合状态时，这种联系完全消失了。这种表象上的相互作用并非疾病的征兆，而是一种由血液样本物理状态引起的测量人工制品。基于这种错误信号采取行动可能是危险的，可能会导致医生给已经脱水的患者开具利尿剂，从而加重病情。
第二个陷阱源于医生的处方行为，这种现象被称为“适应症干扰”（confounding by indication）。在现实世界中，医生不会给每个人都开药；他们只把药给那些最需要药物的最重症患者。这造成了一种情况：服用特定药物的人群与未服用药物的人群看起来大不相同，仅仅是因为药物是根据他们的特定健康问题来选择的。在研究中，一项针对服用他汀类药物（降胆固醇药物）患者的分析表明，低血红蛋白与高肌酐值的结合预示了血糖控制的失败。这看起来像是药物的一种危险副作用。然而，当研究人员观察那些未服用他汀类药物但具有相同低血红蛋白和高肌酐值的患者时，他们发现了完全相同的血糖控制不佳的模式。这种联系并非由药物引起。相反，这些指标是晚期肾脏疾病的迹象，而肾脏疾病在严重糖尿病患者中很常见，且往往会导致他汀类药物的处方。该药物仅仅是严重疾病旅程中的一名乘客，统计模式反映的是疾病的严重程度，而非治疗的效果。
第三个陷阱发生在研究人员使用单一规则来衡量那些在男女之间自然存在差异的生物标志物时。血液中的许多物质（如尿酸和血红蛋白）由于激素差异，在男性和女性体内有着不同的正常范围。当一项研究对整个群体使用单一的切点（cutoff point）时，它会在无意中根据性别而非健康状况对人进行分类。例如，“低”尿酸水平对女性来说可能是正常的，但对男性来说可能非常低；而“高”血红蛋白水平对男性来说可能是正常的，但对女性来说可能非常高。在研究中，一项分析表明低尿酸或高血红蛋白具有预防糖尿病的作用，但同时具备这两项异常则具有风险。当研究人员考虑了年龄和性别后，这种奇怪的模式消失了。那些看起来“受保护”的人群实际上只是较年轻的男性或较年轻的女性，他们天然具有较低的糖尿病发病率。这种相互作用并非生物学发现，而是一种人口统计学的分类错误，即数据是在按年龄和性别对人进行分组，而不是按代谢健康进行分组。
这些发现的影响远不止于这三个具体的例子。该研究认为，如果在两个组别中都存在系统性误差，那么仅仅通过在其中一组中发现模式并在另一组中确认该模式，并不足以证明其为生物学真相。无论这种误差是源于采血方式、患者的选择方式，还是参考范围的应用，结果都是一样的：一个令人信服但虚假的关于疾病的故事。为了避免这些陷阱，作者为研究人员提出了一个简单的清单。在宣布一种新的相互作用之前，他们应该根据年龄和性别进行调整，检查脱水的迹象，并测试该模式在不服用相关药物的人群中是否依然成立。如果模式在经过这些检查后消失了，那么它最初就不是真正的生物信号。这种方法并非否定大型数据集的价值，而是坚持认为，寻找真理不仅需要找到一个重复的数字，更需要理解测量该数字时的背景环境。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。