[论文解读] Survivor average causal effects for continuous time: a principal stratification approach to causal inference with semicompeting risks

Leah A. Comment, Fabrizia Mealli+2 more|arXiv (Cornell University)|Feb 15, 2019

Advanced Causal Inference Techniques参考文献 22被引用 16

一句话总结

本文提出了两种新的因果 estimand——时变生存者平均因果效应（TV-SACE）和受限均值生存者平均因果效应（RM-SACE），用于连续时间结果的半竞争风险设定，采用主要分层方法定义在无论接受何种治疗都会存活的个体中的效应。该方法使用带有脆弱性的贝叶斯疾病-死亡模型，以估计因果效应，同时考虑死亡截断和事件间的个体内相关性。

ABSTRACT

In semicompeting risks problems, nonterminal time-to-event outcomes such as time to hospital readmission are subject to truncation by death. These settings are often modeled with illness-death models for the hazards of the terminal and nonterminal events, but evaluating causal treatment effects with hazard models is problematic due to conditioning on survival (a post-treatment outcome) that is embedded in the definition of a hazard. Extending an existing survivor average causal effect (SACE) estimand, we frame the evaluation of treatment effects in the context of semicompeting risks with principal stratification and introduce two new causal estimands: the time-varying survivor average causal effect (TV-SACE) and the restricted mean survivor average causal effect (RM-SACE). These principal causal effects are defined among units that would survive regardless of assigned treatment. We adopt a Bayesian estimation procedure that parameterizes illness-death models for both treatment arms. We outline a frailty specification that can accommodate within-person correlation between nonterminal and terminal event times, and we discuss potential avenues for adding model flexibility. The method is demonstrated in the context of hospital readmission among late-stage pancreatic cancer patients.

研究动机与目标

• 解决在死亡导致结果截断时评估非终点事件时间结局（如再入院）治疗效应的挑战。
• 克服基于风险的模型在条件于治疗后生存时所导致的因果解释削弱问题。
• 开发明确考虑非终点结局时间特性和事件发生时间的因果 estimand。
• 为决策者提供更具信息量、随时间变化的因果效应，以反映高死亡率人群中生活质量的权衡。
• 提供一个贝叶斯估计框架，实现不确定性量化，并处理半竞争风险设定下的部分可识别性问题。

提出的方法

• 提出两种新的因果 estimand：TV-SACE（时变 SACE）和 RM-SACE（受限均值 SACE），定义在无论在治疗组或对照组下都会存活的个体中。
• 使用主要分层方法，基于潜在治疗下和对照下的生存时间，定义始终存活的分层。
• 采用贝叶斯分层模型，对两组的疾病-死亡过程进行参数化，实现对终点事件和非终点事件风险的联合估计。
• 引入共享脆弱性结构，以建模非终点事件与终点事件时间之间的个体内相关性。
• 使用伽马分布的潜变量脆弱性，以诱导事件类型间的依赖关系，并允许边际似然计算，以实现高效的MCMC抽样。
• 应用一种新颖的概率密度分解方法，与现有半竞争风险模型保持关联，同时通过潜在结果符号嵌入因果 estimand。

实验结果

研究问题

• RQ1 当死亡截断非终点事件时间结局时，如何定义并估计其因果效应？
• RQ2 以单一时间点（快照）定义始终存活者有何影响？时变效应如何提升可解释性？
• RQ3 如何将主要分层方法扩展至连续时间的生存分层，以更好地反映生活质量结局的时间范围？
• RQ4 何种建模框架能够在半竞争风险中实现有效的因果推断，同时具备适当的不确定性量化和个体内相关性处理？
• RQ5 模型误设（如脆弱性分布或基线风险不正确）对始终存活人群估计及因果效应的影响如何？

主要发现

• 所提出的 TV-SACE 和 RM-SACE estimand 允许在无论接受何种治疗都会存活的个体中，对非终点结局的因果效应进行时变估计。
• 贝叶斯估计程序通过共享脆弱性模型，成功地考虑了非终点事件与终点事件时间之间的个体内相关性。
• 后验预测检查显示模型拟合尚可，但观察数据中始终存活者的比例异常偏高，提示模型可能存在敏感性。
• 脆弱性分布的误设对始终存活人群规模的估计产生中等程度影响，尤其当 $T_{AA,t}$ 值接近 0.9 时更为显著。
• 该方法通过将模型估计与因果 estimand 定义分离，实现了在半竞争风险中的因果推断，提升了可解释性和决策相关性。
• 该方法为在高死亡率环境中整合效用函数和决策理论分析提供了框架，支持对生存与生活质量的平衡评估。