[论文解读] Collaborative causal inference with a distributed data-sharing management

Mengtong Hu, Xu Shi+1 more|arXiv (Cornell University)|Apr 2, 2022

Statistical Methods in Clinical Trials被引用 6

一句话总结

本文提出了一种协作因果推断框架，名为 cola（协作式关联分析操作），可在不合并原始数据的情况下，实现多中心临床试验中分布式、隐私保护的因果效应估计。通过仅通过串行更新机制共享汇总统计量，cola 实现了与集中式分析相当的统计效率，在罕见结果或数据分布不平衡的情况下仅造成极小的效能损失。

ABSTRACT

Data sharing barriers are paramount challenges arising from multicenter clinical trials where multiple data sources are stored in a distributed fashion at different local study sites. Merging such data sources into a common data storage for a centralized statistical analysis requires a data use agreement, which is often time-consuming. Data merging may become more burdensome when causal inference is of primary interest because propensity score modeling involves combining many confounding variables, and systematic incorporation of this additional modeling in meta-analysis has not been thoroughly investigated in the literature. We propose a new causal inference framework that avoids the merging of subject-level raw data from multiple sites but needs only the sharing of summary statistics. The proposed collaborative inference enjoys maximal protection of data privacy and minimal sensitivity to unbalanced data distributions across data sources. We show theoretically and numerically that the new distributed causal inference approach has little loss of statistical power compared to the centralized method that requires merging the entire data. We present large-sample properties and algorithms for the proposed method. We illustrate its performance by simulation experiments and a real-world data example on a multicenter clinical trial of basal insulin treatment for reducing the risk of post-transplantation diabetes among kidney-transplant patients.

研究动机与目标

• 解决由于隐私、安全和机构审查委员会（IRB）审批限制导致的多中心临床试验中数据共享障碍。
• 克服经典元分析在因果推断中的局限性，特别是对倾向得分建模和混杂因素调整缺乏控制的问题。
• 开发一种分布式推断框架，在各研究中心数据不平衡或样本量较小时仍能保持统计效能和稳健性。
• 通过仅共享汇总统计量，避免个体层面数据传输，实现高效且隐私保护的因果效应估计。
• 提供一种可扩展且灵活的替代方案，以应对对局部收敛失败和数据异质性敏感的并行化元分析方法。

提出的方法

• 引入一种串行更新机制（而非并行方法），在各研究中心之间传递汇总统计量，提升灵活性和收敛性。
• 采用逆概率加权（IPW）方法，利用本地计算的倾向得分和共享的汇总统计量进行因果效应估计。
• 开发了四种算法（如 3r-cola、2r-cola），其通信成本和效率各不相同，可在隐私保护与统计效能之间实现权衡。
• 采用基于中继的通信结构（图 1），在研究中心之间传递关键汇总统计量，如加权矩和倾向得分估计。
• 推导了估计量的大样本性质和渐近正态性，表明其收敛速度与累积样本量相当。
• 通过 R 包和交互式数据共享平台实现该方法，支持独立执行和安全的汇总统计量交换。

实验结果

研究问题

• RQ1 一种分布式因果推断方法是否能在不共享原始数据的情况下，实现与集中式分析相当的统计效率？
• RQ2 在各研究中心结果发生率极低或数据分布不平衡的情况下，所提出的 cola 框架表现如何？
• RQ3 cola 中的串行更新机制在多大程度上降低了通信成本，同时保持了估计精度？
• RQ4 当某些本地研究中心的变异度较低或样本量较小时，该方法是否仍能保持高统计效能和稳健性？
• RQ5 与经典元分析相比，cola 在估计多中心试验因果优势比时，偏差和精度表现如何？

主要发现

• cola 方法得到的因果效应估计几乎与集中式（理想）分析完全一致，估计优势比为 0.37（95% 置信区间：0.15, 0.93），与黄金标准（0.37，95% 置信区间：0.15, 0.91）几乎完全一致。
• 相比之下，经典元分析得到的估计为 0.62（96% 置信区间：0.20, 1.93），与真实值相比高估治疗效应超过 60%。
• 即使在结果极为罕见的情况下，3r-cola 方法的结果仍与理想方法几乎完全一致，显示出对稀疏数据的强健性。
• 该方法在保持高统计效能方面表现优异，且对各研究中心间数据分布不平衡不敏感，这是相对于经典元分析的一项关键优势。
• 3r-cola 和 2r-cola 算法与集中式分析相比，效率损失极小，收敛速度达到累积样本量的量级。
• 该框架对局部收敛失败具有鲁棒性，仅需第一研究中心具备足够的数据变异度即可实现可靠估计，从而提升了在小样本或效能不足研究中心的可行性。