[论文解读] Generalizing and transporting inferences about the effects of treatment assignment subject to non-adherence

Issa J Dahabreh, Sarah E. Robertson+1 more|arXiv (Cornell University)|Nov 9, 2022

Advanced Causal Inference Techniques被引用 10

一句话总结

本文研究了在存在非依从性的情况下，将随机试验中的意向治疗效应推广和转移至目标人群时，因果估计量的可识别性问题。研究表明，在试验参与和治疗依从性之间存在未观测到的共同原因时，目标人群中治疗分配对结果的影响是不可识别的——强调了在可转移性和推广性分析中必须建模试验参与效应和未观测混杂因素。

ABSTRACT

We discuss the identifiability of causal estimands for generalizability and transportability analyses, both under perfect and imperfect adherence to treatment assignment. We consider a setting where the trial data contain information on baseline covariates, assignment at baseline, intervention at baseline (point treatment), and outcomes; and where the data from non-randomized individuals only contain information on baseline covariates. In this setting, we review identification results under perfect adherence and study two examples in which non-adherence severely limits the ability to transport inferences about the effects of treatment assignment to the target population. In the first example, trial participation has a direct effect on treatment receipt and, through treatment receipt, on the outcome (a "trial engagement effect" via adherence). In the second example, participation in the trial has unmeasured common causes with treatment receipt. In both examples, the effect of assignment on the outcome in the target population is not identifiable. In the first example, however, the effect of joint interventions to scale-up trial activities that affect adherence and assign treatment is identifiable. We conclude that generalizability and transportability analyses should consider trial engagement effects via adherence and selection for participation on the basis of unmeasured factors that influence adherence.

研究动机与目标

• 澄清在将试验结果推广至目标人群时，推广性和可转移性分析中所估计的因果估计量。
• 研究治疗分配的非依从性如何影响目标人群中意向治疗效应的可识别性。
• 考察试验参与效应（即参与影响依从性和结果）对可转移性和推广性推断有效性的影响。
• 评估试验参与和治疗依从性之间未观测共同原因对因果效应可识别性的影响。
• 提供在标准分配效应不可识别时，联合干预（扩大试验活动和分配治疗）仍可识别的条件。

提出的方法

• 使用结构因果模型（SCMs）和选择图（SWIGs）来表示试验参与、治疗分配、依从性和结果之间的因果结构。
• 基于条件交换性和忽略性假设的应用识别标准，评估在各种假设下估计量是否可识别。
• 考虑两种关键情景：(1) 试验参与通过直接参与效应影响依从性和结果；(2) 未观测混杂因素同时影响参与和依从性。
• 在完美和非完美依从性下分析可识别性，区分意向治疗效应与联合干预效应。
• 在具有基线协变量、分配和结果的试验数据，以及仅具有基线协变量的非随机化数据背景下，应用标准化技术（如g公式、加权法）。
• 证明当存在未观测共同原因时，仅依赖分配治疗的标准化可转移性方法无法识别目标人群中分配效应。

实验结果

研究问题

• RQ1 在存在非依从性的情况下，治疗分配对结果的影响在目标人群中在何种条件下是可识别的？
• RQ2 试验参与效应（即参与影响依从性和结果）如何影响意向治疗效应的可转移性？
• RQ3 当存在试验参与和治疗依从性的未观测共同原因时，治疗分配效应的可识别性会发生什么变化？
• RQ4 当单独分配效应不可识别时，联合干预（扩大试验活动和分配治疗）的效应是否仍可识别？
• RQ5 当依从性不完美且存在未观测混杂因素时，标准化方法在可转移性和推广性分析中的表现如何？

主要发现

• 当试验参与对治疗获取和结果有直接影响（即通过依从性产生‘试验参与效应’）时，目标人群中治疗分配对结果的影响是不可识别的。
• 当未观测共同原因同时影响试验参与和治疗依从性时，目标人群中治疗分配对结果的影响也是不可识别的。
• 在存在试验参与效应的情况下，联合干预（扩大改善依从性的试验活动并分配治疗）的效应仍可识别。
• 仅依赖分配治疗、忽略依从性的标准可转移性和推广性方法，在未观测混杂因素影响参与和依从性时可能产生非因果估计。
• 基于标准化方法的因果解释，关键取决于对依从性模式的假设，以及未观测混杂或参与效应的缺失。
• 研究结果表明，推广性和可转移性分析必须显式建模试验参与效应和未观测混杂因素，以确保有效因果推断，尤其是在依从性较低的实用型或长期治疗试验中。