[论文解读] Towards causally interpretable meta-analysis: transporting inferences from multiple studies to a target population

Issa J Dahabreh, Lucia C. Petito+3 more|arXiv (Cornell University)|Mar 27, 2019

Advanced Causal Inference Techniques参考文献 50被引用 4

一句话总结

本文提出了一种方法，利用来自随机试验的个体参与者数据和目标样本的基线协变量，将多个随机试验的因果推论外推至一个明确定义的目标人群。该研究建立了平均治疗效应的识别条件，提出了基于结果建模和逆概率加权的估计器，并通过HALT-C试验示例表明，当试验人群与目标人群不同时，外推估计值比传统的元分析汇总结果更具相关性。

ABSTRACT

We take steps towards causally interpretable meta-analysis by describing methods for transporting causal inferences from a collection of randomized trials to a new target population, one-trial-at-a-time and pooling all trials. We discuss identifiability conditions for average treatment effects in the target population and provide identification results. We show that assuming inferences are transportable from all trials in the collection to the same target population has implications for the law underlying the observed data. We propose average treatment effect estimators that rely on different working models and provide code for their implementation in statistical software. We discuss how to use the data to examine whether transported inferences are homogeneous across the collection of trials, sketch approaches for sensitivity analysis to violations of the identifiability conditions, and describe extensions to address non-adherence in the trials. Last, we illustrate the proposed methods using data from the HALT-C multi-center trial.

研究动机与目标

• 解决标准元分析在试验人群与目标人群不同时缺乏因果可解释性的问题。
• 实现从多个随机试验到一个新且明确定义的目标人群的平均治疗效应的可外推性。
• 提供识别条件和估计方法，以考虑效应修饰因子分布差异对试验和目标人群的影响。
• 通过整合试验的个体水平数据和目标人群的协变量数据，促进具有明确因果解释的证据综合。
• 支持敏感性分析和同质性评估，以评估外推推论的稳健性。

提出的方法

• 在非参数识别条件下定义目标人群中的平均治疗效应，假设一致性和可忽略性。
• 提出两种主要估计器：一种基于条件结果均值建模（公式6），另一种使用逆奇偶加权（公式7）进行单个试验的外推。
• 将方法扩展至通过组合估计器（公式8）和加权方法（公式9）对全部试验的推论进行汇总。
• 使用逆概率加权调整试验人群与目标人群之间基线协变量分布的差异。
• 在R中实现估计器，提供代码支持参数工作模型和双重稳健估计策略。
• 应用敏感性分析技术，评估识别假设违反（如未测量的混杂或模型误设）的影响。

实验结果

研究问题

• RQ1 在何种条件下，可将多个随机试验的平均治疗效应因果地解释为新目标人群中的效应？
• RQ2 当试验参与者与目标人群在基线协变量上不同时，如何估计目标人群中的平均治疗效应？
• RQ3 当假设所有试验均可外推至同一目标人群时，对数据生成过程有何影响？
• RQ4 如何评估外推治疗效应在各试验间是否同质，或是否存在系统性差异？
• RQ5 可采用哪些方法评估外推推论对识别假设违反的稳健性？

主要发现

• 所提出的方法在标准因果假设下，为目标人群中的平均治疗效应建立了非参数识别条件。
• 在HALT-C试验的应用中，外推分析产生的估计值比未经调整的试验特定结果更具相关性，尤其对代表性不足的群体更为显著。
• 通过将全部九个中心的治疗效应外推至目标人群（S=0），基于结果建模的估计值为-43.7（95%置信区间：-52.2，-35.2），与目标试验本身的估计值-45.7相近。
• 基于加权的估计器结果相似（例如-42.4，95%置信区间：-52.6，-32.3），表明不同方法间具有一致性。
• 检测到各中心间外推效应的异质性，表明试验层面的效应并非同质，不应简单地进行合并。
• 敏感性分析和模型诊断显示，关于可忽略性和正确模型设定的假设显著影响外推估计值的有效性。