[论文解读] Selection and Collider Restriction Bias Due to Predictor Availability in Prognostic Models

Marc Delord|arXiv (Cornell University)|Feb 19, 2026

Particle physics theoretical and experimental studies被引用 0

一句话总结

该论文分析将预测模型开发仅限于具有记录预测变量的患者可能引发选择偏差或胶囊/碰撞偏差，并以 KFRE 示例说明在预测变量可用性影响模型性能与适用性时的扭曲。

ABSTRACT

This methodological note investigates and discuss possible selection and collider restriction bias due to predictor availability in prognostic models.

研究动机与目标

• Motivate and define how predictor availability can bias prognostic model development and validation.
• Explain how restricting analyses to patients with recorded predictors may introduce classical selection bias or collider bias.
• Illustrate the problem with causal diagrams and a real-world example (KFRE).
• Discuss implications for model development, validation, and clinical uptake in the presence of incomplete predictor data.

提出的方法

• 描述预测变量测量如何依赖于疾病严重程度和护理过程。
• 使用有向无环图来说明导致预测变量可用性与偏差的路径。
• 在预后建模中区分简单选择偏差与胶塞限制偏差。
• 讨论在预测变量可用性约束下对模型性能与概括性的影响。
• 提供一个示例（KFRE）以演示预测变量可用性如何扭曲关联性和实际使用。

Figure 1: Selection and collider restriction bias arising from conditioning on predictor availability in prognostic models. Directed acyclic graphs are used to illustrate causal dependencies between observed and unobserved variables. $U$ represents unobserved disease severity; $P_{1}$ and $P_{2}$ re

实验结果

研究问题

• RQ1 将分析限制在具有记录预测变量的个体上如何偏倚预后模型估计？
• RQ2 在何种条件下预测变量可用性充当胶塞并扭曲基线预测变量与结果之间的关联？
• RQ3 当预测数据记录不一致时，对预测模型的开发、验证和临床采用有哪些实际影响？

主要发现

• 限制分析仅针对具有记录预测变量 的人群可能产生偏差，如果预测变量测量依赖于疾病严重程度或相关护理过程。
• 当预测变量可用性由潜在疾病严重程度及其代理变量共同驱动时，胶塞限制偏差可扭曲基线预测变量与结果之间的关联。
• KFRE 说明了常见缺失与测量模式如何削弱无偏的预测变量可用性并影响模型在实际中的采用。
• 当数据不完整或记录不一致时，该问题对模型开发、验证以及对预测工具的解释具有更广泛的含义。