[论文解读] Generalized interpretation and identification of separable effects in competing event settings

Mats Julius Stensrud, Miguel A. Hernán+4 more|arXiv (Cornell University)|Apr 30, 2020

Advanced Causal Inference Techniques参考文献 21被引用 6

一句话总结

本文将竞争风险设定下的可分效应概念进行泛化，使在较弱假设下实现因果解释与识别成为可能。该研究提出了一种灵活的框架，用于将治疗效应分解为通过或不通过竞争事件的效应成分，并引入半参数估计量，可处理时变混杂因素并进行敏感性分析，已在一项血压治疗试验中得到验证。

ABSTRACT

In competing event settings, a counterfactual contrast of cause-specific cumulative incidences quantifies the total causal effect of a treatment on the event of interest. However, effects of treatment on the competing event may indirectly contribute to this total effect, complicating its interpretation. We previously proposed the separable effects (Stensrud et al, 2019) to define direct and indirect effects of the treatment on the event of interest. This definition presupposes a treatment decomposition into two components acting along two separate causal pathways, one exclusively outside of the competing event and the other exclusively through it. Unlike previous definitions of direct and indirect effects, the separable effects can be subject to empirical scrutiny in a study where separate interventions on the treatment components are available. Here we extend and generalize the notion of the separable effects in several ways, allowing for interpretation, identification and estimation under considerably weaker assumptions. We propose and discuss a definition of separable effects that is applicable to general time-varying structures, where the separable effects can still be meaningfully interpreted, even when they cannot be regarded as direct and indirect effects. We further derive weaker conditions for identification of separable effects in observational studies where decomposed treatments are not yet available; in particular, these conditions allow for time-varying common causes of the event of interest, the competing events and loss to follow-up. For these general settings, we propose semi-parametric weighted estimators that are straightforward to implement. As an illustration, we apply the estimators to study the separable effects of intensive blood pressure therapy on acute kidney injury, using data from a randomized clinical trial.

研究动机与目标

• 为解决在竞争风险中总治疗效应的解释难题，其中对竞争事件的影响会间接影响结果。
• 将可分效应的适用范围扩展至先前假设之外，允许治疗成分影响目标事件与竞争事件的共同原因。
• 推导在存在时变混杂因素的观察性研究中可分效应的识别条件与估计量。
• 通过针对分解后治疗成分的虚拟干预，实现对可分效应的经验检验。
• 开发敏感性分析技术，用于评估隔离假设违反时的影响，基于可观测的条件期望。

提出的方法

• 提出一种广义治疗分解方法，其中治疗成分通过或不通过竞争事件路径发挥作用。
• 在较弱假设下推导可分效应的识别公式，包括目标事件、竞争事件及失访的时变共同原因。
• 引入半参数加权估计量，实现简便且对模型误设具有稳健性。
• 基于函数 $ t_k(ar{l}_k, a_Y) $ 构建敏感性分析框架，量化未观测共同原因导致的偏倚。
• 使用G公式与边际结构模型，估计对治疗成分干预下的反事实分布。
• 将该方法应用于强化血压治疗的随机试验，估计治疗对急性肾损伤的可分效应。

实验结果

研究问题

• RQ1 当治疗成分影响目标事件与竞争事件的共同原因时，可分效应应如何有意义地解释？
• RQ2 在存在时变混杂因素的观察性研究中，估计可分效应所需的最弱识别假设是什么？
• RQ3 能否使用对模型误设具有稳健性的半参数加权估计量来估计可分效应？
• RQ4 如何对可分效应估计中隔离假设违反的情况进行敏感性分析？
• RQ5 当治疗未被分解为独立成分时，所提出的框架能否区分直接与间接路径？

主要发现

• 即使可分效应不表示纯粹的直接与间接效应，由于治疗成分影响共同原因，其仍可被解释。
• 在较弱假设下可实现可分效应的识别，包括目标事件、竞争事件及失访的时变共同原因。
• 提出半参数加权估计量，并表明其在模型设定正确时具有一致性，且实现简便。
• 基于函数 $ t_k(ar{l}_k, a_Y) $ 开发了敏感性分析框架，可量化未观测共同原因导致的偏倚，且其符号具有可解释的因果意义（基于选择偏倚）。
• 在血压治疗试验的应用中，该方法成功估计了强化治疗对急性肾损伤的可分效应，展示了其实际应用价值。
• 即使可忽略成分条件被违反，只要满足特定的条件独立性假设，识别公式仍保持有效。