[论文解读] A Bayesian Nonparametric Approach for Evaluating the Causal Effect of Treatment in Randomized Trials with Semi-Competing Risks

Yanxun Xu, Daniel O. Scharfstein+2 more|arXiv (Cornell University)|Mar 20, 2019

Advanced Causal Inference Techniques参考文献 29被引用 4

一句话总结

本论文提出了一种贝叶斯非参数方法，用于在存在半竞争风险的随机试验中估计治疗对非终点事件的因果效应，采用主要分层法和敏感性参数以解决可识别性问题。该方法通过灵活建模观测数据分布实现稳健推断，在脑癌试验中表现出更优的拟合度和可信的因果估计，优于朴素方法在模型拟合和治疗效应估计方面的表现。

ABSTRACT

We develop a Bayesian nonparametric (BNP) approach to evaluate the causal effect of treatment in a randomized trial where a nonterminal event may be censored by a terminal event, but not vice versa (i.e., semi-competing risks). Based on the idea of principal stratification, we define a novel estimand for the causal effect of treatment on the nonterminal event. We introduce identification assumptions, indexed by a sensitivity parameter, and show how to draw inference using our BNP approach. We conduct simulation studies and illustrate our methodology using data from a brain cancer trial.

研究动机与目标

• 解决在随机试验中，当终点事件（如死亡）可能阻碍对疾病进展的观察时，估计非终点结局因果效应的挑战。
• 基于主要分层法定义一种新颖的因果 estimand，量化在半竞争风险下治疗对疾病进展的影响。
• 开发一种灵活的贝叶斯非参数模型，以容纳基线协变量，并通过敏感性参数处理该 estimand 的识别问题。
• 通过模拟和一项 II 期脑瘤试验的真实数据分析，评估该方法的性能。
• 提供一个稳健的因果推断框架，支持模型误设下的不确定性量化和预测推断。

提出的方法

• 基于时间变化的相对风险因果 estimand，采用主要分层法，聚焦于在治疗和对照下进展均可被观察到的亚组。
• 引入以敏感性参数 ρ 索引的识别假设，表示治疗和对照下生存之间的相关性，以解决不可识别性问题。
• 采用依赖狄利克雷过程（DDP）先验，灵活建模观测失效时间和基线协变量的联合分布，实现数据分布的非参数估计。
• 通过后验汇总推断因果 estimand，可纳入 ρ 的先验分布以实现整合的不确定性量化。
• 将该方法应用于包含 219 名患者的脑瘤试验，使用后预测检查和基于伪对数边际似然（LPML）的模型拟合评估。
• 在多个 ρ 值（0.2、0.5、0.8）下进行敏感性分析，以评估结果对未观测依赖性假设的稳健性。

实验结果

研究问题

• RQ1 在存在半竞争风险的情况下，如何为治疗对疾病进展的影响定义一个有效的因果 estimand？
• RQ2 将可观测数据分布与因果 estimand 联系起来所需的识别假设是什么，以及如何对这些假设进行参数化？
• RQ3 贝叶斯非参数方法如何在此背景下适应建模失效时间与协变量的联合分布？
• RQ4 与标准方法相比，该方法在模型拟合和因果效应估计方面表现如何？
• RQ5 因果效应估计对敏感性参数 ρ 的选择有多敏感？

主要发现

• BNP 方法在 365 天时的后验估计生存差异为 6.2%（95% 置信区间：-1.2% 至 13.3%），高于 Kaplan-Meier 方法的 2.6%，表明治疗组的生存估计更高。
• 朴素方法估计的治疗差异更高，达 8.4%（95% 置信区间：0.2% 至 17.9%），但其对对照组的生存估计低于 Kaplan-Meier 方法。
• LPML 比较显示 BNP 模型的拟合优于朴素模型，LPML 值分别为 -144（治疗组）和 -137（对照组），而朴素模型分别为 -161 和 -174。
• 后验估计的因果 estimand τ(u) 在几乎所有时间点均显示治疗组进展风险更低，仅在 u≈0 附近除外，尽管可信区间较宽，表明不确定性较高。
• 结果对不同敏感性参数 ρ 值（0.2、0.5、0.8）具有稳健性，不同 ρ 值下的后验估计差异极小。
• BNP 模型在生存和进展数据上均表现出更优的拟合度，LPML 值为 -227（治疗组）和 -215（对照组），而朴素模型分别为 -232 和 -214。