[论文解读] Time Partitioning in Target Trial Emulation

Harold Tankpinou Zoumenou, Simon Ferreira+4 more|arXiv (Cornell University)|Mar 16, 2026

Advanced Causal Inference Techniques被引用 0

一句话总结

本文分析时间划分选择如何影响目标试验模仿，研究在何种情况下 CCW 仍然有效，并提供在指定合适时间划分方面的实际指南。用两个临床情景来说明问题与基于 DAG 的可识别性。

ABSTRACT

In target trial emulation, time partitioning enables researchers to handle time-varying confounders and immortal time bias with appropriate methods. Based on two clinical scenarios, this study aimed to explore issues related to time partitioning and to provide guidance for trial emulation. After formalizing the research question within the framework of structural causal models, we show how a given time partitioning may be too fine or too coarse depending on the clinical context. When the partitioning is too fine, the dimensionality of the model is unnecessarily high. When the partitioning is too coarse, the resulting causal structure may hinder effect estimation. We also show that cloning-censoring-weighting may not be valid when treatment influences outcome within study periods, and we confirm this through simulations. In conclusion, we provide practical guidance for actively specifying an appropriate time partitioning in trial emulation, rather than using the available data resolution as a default.

研究动机与目标

• 澄清在目标试验模仿中时间分区如何影响可识别性和因果效应估计。
• 用两个临床情景说明划分过细或过粗如何影响因果图和估计。
• 在不同区间内因果结构下评估 CCW 的有效性。
• 提供在时间划分方面的实际指南，避免仅以数据分辨率作默认选择。

提出的方法

• 采用结构化因果模型和因果图（DAGs）来形式化目标试验模仿中的时间分区。
• 构建假设的目标试验并通过 do--calculus 和跨时间段的因子化来推导估计量。
• 分析两个具有不同区间内因果方向的临床情景，以研究分区的影响。
• 通过简化三期设置的仿真和基于 AMWN 的反事实推理来评估 CCW 的有效性。
• 讨论分区长度如何改变 DAG 以及区间内治疗版本和潜在循环的出现。

(a) First clinical scenario ( $X_{t}\not\rightarrow Y_{t}$ )

实验结果

研究问题

• RQ1 时间分区的粒度如何影响目标试验模仿中因果效应的可识别性和估计？
• RQ2 在治疗可能在同一区间内影响结果的情况下，CCW 在何种条件下有效？
• RQ3 如何设计一个平衡模型复杂性与因果可识别性 的合适时间分区策略？
• RQ4 不同区间内因果假设对时间分区的图形影响（DAGs）是什么？
• RQ5 如何在不同分区下，优雅区间与治疗潜在版本对估计量的影响？

主要发现

• 每日分区会导致大量参数及治疗策略版本化的潜在风险。
• 较粗的分区减少参数，但可能由于区间内效应或版本导致因果结构与可识别性改变。
• 如仿真所示，当治疗在同一区间影响结果时，CCW 的有效性可能失败或需谨慎假设。
• 明确的因果图来阐明 CCW 假设有助于在具体应用中评估可信度与有效性。
• 分区选择应由临床背景与因果结构引导，而不仅仅由可用数据分辨率决定。
• 在某些情景下使用 28 天分区可以显著减少参数量（例如由每日分区降至 14 个分区），在某些假设下仍可保持识别性。

(b) Second clinical scenario ( $Y_{t}\not\rightarrow X_{t}$ )