面临虐待风险的幼儿的创伤后应激反应：一项基于因果关系的数据科学分析

《Frontiers in Health Services》：Posttraumatic stress in young children at risk for maltreatment: a causal data science analysis

　　**摘要**
**引言**：本文介绍了将因果数据科学（CDS）方法应用于确定受虐待儿童创伤后应激障碍（PTS）的机制，以推动预防知识的进步。预防工作的进步需要识别因果因素的研究，但现有的科学文献几乎完全依赖于对观察数据应用相关性方法来确定原因。然而，基于此类研究的因果推断往往存在错误。我们进行这项研究，旨在探索将CDS方法作为实验方法的替代方案或补充方案，因为实验方法在人类研究中用于确定PTS因果因素的情况非常有限。

**方法**：我们采用了一套集成先进CDS算法的数据处理流程，应用于由儿童虐待与忽视纵向研究联盟（LONGSCAN）收集的现有观察性纵向数据集。该数据集包含1,354名在婴儿期或幼儿期被识别为受虐待或处于风险中的儿童样本。

**结果**：构建了一个包含251个变量（节点）和818个二元关系（边）的因果网络模型，揭示了四个直接导致8岁时PTS的原因（0-4岁的情感虐待、8岁时的身体攻击、8岁时的安全感以及8岁时目睹暴力）以及两个直接效应（8岁时的负面自我形象和非抚养者造成的严重攻击）。这个网络包含了多种多样的因果路径。

**讨论**：这些结果表明，CDS方法在研究受虐待儿童PTS的复杂病因学方面具有潜力。

**引言**：本文探讨了使用因果数据科学（CDS）方法来确定受虐待儿童创伤后应激障碍（PTS）的因果因素。2014年，美国向儿童保护机构提交了360万份关于儿童虐待的报告（1），大约30-40%的受虐待儿童会发展成PTS（2-4）。最近的一项文献荟萃分析显示，25%经历过人际创伤的儿童会患上PTS（5）。PTS对神经发育、适应功能以及身心健康有显著影响（6-13）。因此，迫切需要预防受虐待儿童的PTS。不幸的是，目前针对PTS的预防干预措施很少，而且针对其他类型创伤的预防干预效果也相当有限（14-19）。预防工作的进步需要识别因果因素的研究（20, 21），但现有的科学文献几乎完全依赖于对观察数据应用相关性方法来确定原因。我们将从观察性相关数据中推断原因的过程比作在因果迷宫中航行（22）。基于此类研究的因果推断往往存在错误（20, 21）。实验研究可以确定原因，但实际上无法在人类身上进行此类研究（例如，无法将儿童随机分配到创伤情境中）。因此，预防工作的进步需要开发替代实验方法来识别PTS的因果因素。我们进行这项研究正是基于这一目的。

本文不详细回顾因果推断的相关文献。这些内容已在其他地方进行了广泛研究，包括使用已知真实原因的黄金标准因果发现数据集进行的严格数学证明和广泛的实证验证研究（20-27）。这些方法在非精神医学领域也取得了重要进展，并且我们的团队也在精神医学研究中成功应用了这些方法（28-36）。尽管有充分理由相信将CDS方法应用于精神医学研究也能带来类似进展，但必须承认这些方法在精神医学数据中的应用仍然很少。因此，应以适当的审查标准来评估从CDS方法在精神医学中的发现。据我们所知，本研究是首次应用CDS方法来发现受虐待儿童PTS的因果因素。

**材料与方法**
2.1 从观察数据中推断因果关系
2.1.1 定义直接因果关系和间接因果关系
我们首先提供一个所有先进CDS算法都采用的定义，这个定义与生物学中的因果关系概念一致（20, 21）。
**定义1（因果关系的操作标准）**：假设变量A可以被假设的实验者操纵以取不同的值，每个值表示为ai。假设实验者可以操纵A（例如，给患者用药或不服药，其中A代表接受的治疗类型）。我们将实验者对A的操纵表示为do(A=aj)。如果实验者根据A的所有可能值均匀随机分配值，并且在时间窗口dt内观察到PB|do(A=ai)≠P(B|do(A=aj)，则变量A是变量B的原因（在dt时间内）。直观来说，PB|do(A=ai)≠P(B|do(A=aj)意味着操纵A（即do(A=ai)或do(A=aj)）会导致被操纵群体中变量B的不同分布。
**定义2（直接因果关系和间接因果关系）**：假设根据定义1中的操作标准，变量A是变量B的原因。如果存在某个变量V的赋值组合（通过操纵）使得A不是B的原因，则A对B是间接原因；否则A是B的直接原因。表示直接原因的变量起到中介作用，连接间接原因和效应之间的关系。

2.1.2 将数据映射到生成数据的因果过程（即从观察数据中推断原因）
需要注意的是，上述定义基于实验数据。要从观察数据中推断因果关系，我们需要将观察数据映射到生成数据的因果过程。在大多数“忠实”分布中，“A导致B”这样的因果关系存在，可以确保数据中的特定条件依赖性和独立性直接对应于生成数据的因果机制。例如，假设A直接导致B，B直接导致C，且它们之间没有其他直接因果关系，并且分布是“忠实”的。在这种情况下，所有变量都是相互关联的。另外，如果以B为条件，A将变得独立于C（即，知道B的值会阻断A和C之间的关联/依赖/信息传递）。这是因果马尔可夫条件（CMC）的应用，它允许我们在知道生成数据的因果过程的情况下推断数据中的所有统计独立性。因果忠实性条件（CFC）的分布假设认为，数据中的所有独立性都由表示因果过程的因果图表示。如果CMC和CFC成立，那么数据中的所有依赖性和独立性就精确对应于生成数据的真实因果结构（即形成完美的映射）。换句话说，算法（或分析师，如果变量数量很少）可以在不进行实验的情况下测量数据中的依赖性和独立性，并正确推断出直接和间接因果关系的存在与否。CMC + CFC的结合构成了上述的忠实性分布假设。忠实分布有多常见？答案是，在所有可能的分布中，不忠实的分布极为罕见（勒贝格测度为0）（37），而在少数违反忠实性的情况下，有特定的算法可以帮助处理这个问题（38）。

2.1.3 发现数据中最简洁的因果关系
一个特别强大的发现工具与我们应用的方法密切相关，它涉及到目标结果变量的马尔可夫边界。马尔可夫边界提供了在广泛的假设条件下（关于分类器、数据分布和感兴趣的误差度量），实现目标变量最大预测准确性的最小变量集（最简洁的预测）。马尔可夫边界不仅能够实现最简洁的预测，还具有因果功能，因为在大多数分布中，当混杂因素受到限制时，它包含了目标变量的直接原因、直接效应以及直接效应的直接原因（20-24）。

2.2 复杂病因学的因果关系与精神障碍
像PTS这样的精神障碍几乎肯定具有复杂的病因学（8, 35, 39, 40）。对于这类障碍，预期会有大量的相互作用因果路径（包括间接和直接原因）导致其表现。这种状况是复杂系统的特征（也可能解释为什么复杂障碍如此难以预防或治疗）。然而，对复杂系统本质的了解也可能揭示独特的干预机会。在复杂系统中，少数原因会影响大部分因果路径，而大多数原因只影响一小部分路径（41, 42）。我们整合了旨在利用这一机会的方法，通过检测对目标变量影响最大的因果变量。我们强调，与那些在特定条件下能保证正确性的方法不同，确定具有最广泛影响因果变量的网络连接性方法目前是一种启发式策略：然而，这种策略的优势在于它描述了比仅用于推断直接和间接原因的方法更高层次的性质。在接下来的研究中，我们应用了一种特定的协议——称为精神病学中的因果数据科学协议（PCDSP）——将上述因果数据科学方法应用于该领域使用的观察数据集。该协议用于发现受虐待8岁儿童的PTS的原因和效应。值得注意的是，PCDSP是之前发布的复杂系统-因果网络（CS-CN）方法的更新版本（35）。

**方法**
2.3.1 参与者
本研究使用了由美国卫生与公共服务部儿童局的儿童虐待与忽视纵向研究联盟（LONGSCAN）提供的数据，该数据集包含1,354名被识别为受虐待或处于风险中的儿童样本。这些儿童和家庭从4岁开始接受全面评估，每两年重新评估一次。由于本研究关注的是幼儿期PTS的发生情况，并且在8岁阶段引入了PTS评估，因此我们纳入了4岁、6岁和8岁阶段的评估信息。此处的内容不应被视为原始数据收集者、其资助机构NDACAN或ACF/DHHS的支持或认可。有关招募和数据收集程序的完整描述，请参见（43）。

2.3.2 程序
PCDSP应用于LONGSCAN数据集，该协议遵循一系列步骤，将这些步骤与CDS过程相结合，以发现特定精神障碍的具体原因和效应。这些步骤将在下文中描述并在图1中说明。

**图1** 精神病学中的因果数据科学协议（PCDSP）。
1) 将先验知识应用于观察数据集，根据假设的目标结果变量的原因和效应创建数据子集
如图1所示，PCDSP允许研究者应用关于研究现象的先验知识来识别需要分析的变量和关系。总体而言，PCDSP考虑了两种类型的先验知识来建立一个观测数据集的子集，以便进行计算分析：

1. **关于要纳入分析的变量的先验知识**：尽管PCDSP中使用的算法的一个重要优势是它们能够在规模适中的样本中处理大量变量，从而将错过直接和间接原因的风险降到最低，并避免分析可能混淆因果发现结果的隐藏共同原因。此外，在进行变量排除时参考相关文献也是有益的：
- (a) 当没有理由相信某个变量与目标变量有关时（例如，对于PTS目标变量“儿童的颜色偏好”或“家庭汽车品牌”）；
- (b) 当多个变量测量同一构念时（例如，一个数据集包含四个测量抑郁的相似变量）。这种先验知识的应用旨在限制不必要的信息引入到因果建模过程中，以最小化对建模忠实性的潜在影响。

2. **关于变量之间关系的先验知识**，例如：
- (i) 基于测量时间或假设的效果时间了解变量之间的时间顺序；
- (ii) 通过先前的实验已经确定的因果关系。这种先验知识的应用旨在利用已知的关系事实，帮助进行因果建模（例如，因果关系不能逆转时间顺序；实验可以确定因果关系）。

在本研究中，通过搜索LONGSCAN数据集来应用这些先验知识，以选择变量/关系，具体步骤如下：

- **选择结果目标变量**：审查了LONGSCAN数据集中最能反映PTS的变量。由于创伤后应激T分数（PTS T-score）具有出色的心理测量属性，因此被选为结果目标变量（RCTS T-score：平均值=52.92，标准差=12.67；年龄（以月计）：平均值=99.1，标准差=4.9）。数据集中的1,354名受试者中有1,053人的数据与此变量相关，因此这些受试者的数据被纳入分析。

- **选择假设的因果变量**：根据这些变量作为PTS的原因或结果的合理性以及与已包含变量的信息等价性，预先筛选出252个变量。这种变量预筛选过程遵循了该领域的著名理论。所选变量涵盖了多种模式，包括人口统计学特征、围产期和发展因素、社会环境因素、认知和行为因素以及儿童保护服务机构（CPS）的记录。

- **为测量变量指定时间阶段**：数据集包含了从受试者产前时期到8岁这三个时间点（4岁、6岁和8岁）的数据。根据数据收集方式和数据集的组织结构，定义了八个时间阶段：
- 1. 个体特征（如年龄、性别）；
- 围产期；
- 0-4岁；
- 4岁；
- 4-6岁；
- 6岁；
- 6-8岁；
- 8岁。

然后将得到的数据子集连同描述每个变量（包括其数值类型，如顺序数或基数）及其时间阶段的变量表一起输入到计算处理系统中。重要的是，一旦数据子集和变量表作为输入被提供，就不允许对变量进行任何手动调整。

数据子集中的每个变量都可以直接从原始LONGSCAN数据中找到，但有十个变量是为了本研究的需要而从其他变量计算得出的。为了清晰性和图表可视化，这些变量还被重新命名。变量及其对应的原始名称或构成它们的原始变量的名称以及指定的时间阶段列表见补充材料2.2。

接下来，将因果数据科学方法应用于数据子集以确定一个部分定向的因果网络。通过整合一套经过充分验证的算法GLL-PC（23, 24），使用条件独立性测试来发现因果边，并结合引言中提供的因果边的定义（20, 21），实现了因果边的检测。GLL-PC采用局部因果发现方法，并通过最佳类别的局部到全局学习（LGL）家族算法（20–26）进行后续处理。如图1所示，GLL-PC处理数据子集以创建一个符合所有数据的因果网络。除了识别因果关系外，推断出的网络还可以用于通过提取每个变量的马尔可夫边界来进行最优预测建模（23–25）。由于GLL-PC包含了时间阶段信息，它还能够确定许多变量之间的方向关系。在PCDSP中，当时间顺序已知时，GLL-PC被编程为从变量向前绘制方向。该过程产生了一个部分定向的因果网络，其中包括节点（变量）及其连接的边（双变量因果关系）。GLL-PC应用了以下固定参数：最大条件集大小（max-k）为3，p值阈值为0.05。max-k参数控制条件独立性测试中要考虑的变量集的最大大小。设置max-k=3表示，如果在条件化其他最多3个变量后两个变量之间的统计关联消失，则认为它们在结果因果框架中是相连的。max-k参数控制着真因果关系与假因果关系之间的权衡。根据样本大小、该领域专家估计的因果关系密度、计算可行性以及先前基准研究的结果（25），我们选择了max-k=3。

- **最大化对因果边方向性的了解以确定PTST的全局因果网络模型**：为了确定任何剩余的无向边（即同一时间阶段的变量之间的边），PCDSP应用了源自PC算法（21）的技术。利用GLL-PC进行条件独立性测试得到的“sepsets”，采用PC的边定向规则来定向Y结构（也称为“碰撞器”结构，即A → C ← B），并传播给定无向或部分定向因果网络中适当边的方向。观测数据只能解析到马尔可夫等价类级别的因果方向（即共享与数据一致的边方向的因果图集，其余部分保持未知）。通过利用数据中的碰撞器结构信息，PC算法可以在某些情况下无需考虑时间顺序的情况下推断因果关系的方向。

- **找到目标结果变量的直接原因和效应以确定PTST的局部因果网络模型**：前面的计算步骤基于数据子集中所有变量之间的观察到的因果影响创建了一个全局因果网络模型。该全局因果网络模型包括了目标结果变量（如PTS）的局部因果邻域以及数据子集中所有变量的局部因果邻域（以了解间接原因和直接原因到目标结果变量的路径）。PCDSP还揭示了每个变量的马尔可夫边界，因为后者包含了每个变量的直接原因、直接效应以及直接效应的直接原因。变量的马尔可夫边界是一组包含关于该变量的最大信息的最小变量集。我们已经证明，马尔可夫边界发现方法在合成数据和真实世界数据中具有系统的基准测试结果，并在各种数据分布和样本大小下表现出优秀的适应性（24, 25）。

- **找到对PTS路径比例影响最大的直接和间接原因**：通常，在发现全局因果图后，可以使用多种图搜索算法结合定量因果推断来提取将PTS的原因与其分离的变量集合或实现对PTS有一定程度影响的变量集合。然而，对于大型复杂网络来说，这样的计算非常耗时甚至不可行。在本研究中，我们采用了一种启发式策略来实现这一点：为了确定对目标路径比例影响最大的因果变量，我们检查了全局因果网络中终止于指定目标变量的所有路径的子网络，将其限制在四个路径长度或更少。PCDSP通过删除每个因果变量后剩余的完整路径数量（heuristically）来评估干预对因果变量的影响。如图1所示，PCDSP输出的因果变量排名显示了在删除特定因果变量后对目标路径的比例。

- **额外的保障措施**：
- **通过多重性检验支持模型的忠实性**：PCDSP包含一种称为多重性检验的保障措施，以确保数据包含感兴趣的结果变量的单一马尔可夫边界（和局部因果邻域）（38）。多重性指的是给定目标变量存在多个马尔可夫边界，这是一种违反忠实性的情况。如果存在多重性，即使努力包含不等价的变量集，假设单一马尔可夫边的因果发现算法也会返回不完整和错误的信息（可能会错过重要的因果变量，并将不相关的变量误认为是因果上重要的）。多重性检验是用TIE*算法（38）实现的。
- **通过自助法确定因果边的稳定性**：PCDSP整合了自助分析来确定结果全局因果网络模型相对于抽样变异性的稳定性。数据子集被自助了100次，并为每次迭代生成了一个全局因果网络模型。边的稳定性是通过它在自助网络中被检测到的百分比来计算的。自助结果的稳定性反映了因果关系的有效性（46）。因此，我们预期本研究确定的稳定边可以推广到从同一分布中抽取的独立数据集。然而，许多因素可能会影响自助稳定性，包括样本大小和效应大小。由于数据集的样本量不足，真实的因果关系可能只在少量的自助样本中被识别出来。因此，低稳定性并不总是意味着识别出的关系不是因果上有效/可靠的。
- **处理缺失数据**：在因果建模过程中使用了逐个变量删除的方法来处理缺失数据。具体来说，在条件独立性测试中，我们对变量X和Y的条件是变量集S，使用所有这些变量中都存在的观测值，并相应地调整测试的自由度（47）。

- **软件和工具**：PCDSP是用MATLAB R2016a（48）编程的。*分析后的网络可视化是在Cytoscape 3.6.1（49）中完成的。网络路径分析部分使用了Cytoscape插件Pathlinker（50）。

**结果**：
检测到一个包含251个节点和818条边的全局因果网络模型（其中一个节点从图的主体部分分离出来）。总边中，290条（35.5%）是根据时间阶段定向的，485条（59.3%）是根据PC的边定向规则定向的。总共775条（94.7%）边被定向，43条（6.3%）边保持未定向。完整的边列表和来自自助分析的边稳定性估计见补充材料3.3。

**PTS的直接原因和效应（局部因果网络模型）**：
图2展示了8岁时PTS的马尔可夫边界内的变量可视化（即局部因果网络模型）。这些变量反映了预测数据集中目标值所需的最小信息集。在这些节点的条件下，PTS T分数独立于网络中的其他节点。可视化显示了目标的直接原因、直接效应以及直接效应的直接原因（即目标的马尔可夫边界）。该网络模型包含19个节点和28条边，采用分层布局进行配置，以便最佳地可视化因果影响的流动过程。如图所示，导致创伤后应激障碍（PTS）的直接原因有四个：情感虐待记录（0-4岁）、遭受身体攻击（8岁）、感到安全（8岁）以及目睹暴力（8岁）。从PTS出发的有两条路径（即直接效应）：严重攻击（非监护人实施，8岁）和负面自我形象（8岁时）。还有一条无向边连接“受到身体威胁”（8岁），因为PCDSP无法确定这一关系的方向。图2展示了8岁时创伤后应激T分数的马尔可夫边界网络可视化图。每个节点内的括号中的数字表示该变量对应的时期（1-8岁），即测量该变量或该变量产生影响时孩子的年龄。某些边以较浅的灰色显示，这些边在自举样本中出现频率低于30％，因此被认为在近端因果网络中不如其他边稳定。该网络可视化图是使用Cytoscape 3.6.1软件生成的。

多重性测试表明，观察到的马尔可夫边界对PTS是独特的，这通过支持局部忠实性的假设，增强了局部因果网络模型的因果有效性。

我们研究了全局因果网络中所有终止于PTS目标变量的路径（路径长度不超过4条），共发现了138条独特的路径。许多节点参与了多条路径。我们通过计算删除某个节点后被消除的路径比例，来启发式地评估干预措施对该节点的影响。图3显示了删除这些节点后导致最多路径被消除的10个节点。完整的路径列表见补充表S4。

讨论部分指出，构建的PTS因果网络模型包含4个直接原因、2个直接效应和138条因果路径。该模型的确定采用了该领域较少使用的方法，因此在解读这些结果时需要谨慎。如果结果与以往文献足够一致，同时仍能揭示新的发现，那么CDS方法的价值就会得到体现。我们的研究结果与以往文献一致，表明不同形式的创伤（例如目睹暴力、身体攻击）以及孩子的安全感与PTS有关。以往的研究无法推断出创伤暴露变量与PTS之间的因果关系。而CDS方法表明，这些关系并未受到各种潜在影响因素的干扰。此外，图2所示的因果网络表明，这些创伤暴露/安全体验变量可以有助于理解PTS，并揭示干预的机会。例如，8岁时的安全感与社会期望的反应表达有关，而这种表达又受到早期发展阶段（4-6岁）同伴接受程度和8岁时身体攻击的影响。8岁时的社会期望性反过来又影响PTS的主要下游效应之一——负面自我形象——以及不安全感、适应功能水平以及早期生活中的家庭暴力暴露。因此，该因果模型指出了通往关键发展问题（负面自我形象）的路径，涉及创伤暴露、安全感、PTS、适应功能、同伴接受和社会期望反应之间的复杂关系。这些发现强调了理解孩子在社交群体中的归属感/接受度的必要性，以防止PTS带来的重大发展后果。

另一个观察到的PTS效应是8岁时受到非监护人的严重攻击。这一发现可能令人惊讶：为什么PTS会导致非监护人实施严重攻击？然而，这可以从父母作为孩子保护者的自然角色来理解。遭受PTS困扰的孩子自然会试图从父母或监护人那里获得帮助和保护，但这条路径也与严重的情感虐待和与药物滥用相关的虐待有关。这一发现可能表明，患有PTS的孩子更容易向不具备照顾责任的成年人寻求帮助，因为他们的父母或监护人无法提供这种帮助。这样的父母或监护人不仅无法提供帮助，也无法在孩子需要保护时提供保护。未来的研究应努力澄清和复制这一发现，特别是因为自举分析显示这种关系可能受到抽样变异的影响。

图3中包含的变量为图2中显示的信息提供了补充。结果表明，PTS是由多种因素共同决定的，但其中一些原因在发生之后无法直接纠正（例如目睹暴力、身体攻击）。我们通过对所有观察到的因果变量进行建模的方法，能够识别出对产生PTS的因果路径影响最大的因素。识别出一组多样化的变量，这些变量通常描述了比直接因果变量更早的生命阶段的过程，支持了这些变量可能对PTS产生更广泛影响的观点。这些具有广泛影响力的变量及其缓解措施包括8岁时的安全感（帮助孩子感到更加安全）、主要照顾者在4岁时缺乏同理心（针对这对伴侣的夫妇治疗或主要照顾者的个体治疗）以及孩子4岁时的运动技能（早期发展干预）。如果这些发现能够得到复制，它们将指明可能的预防干预领域。

关于我们的某些结果，需要保持谨慎。如图2所示，某些变量之间的边在自举样本中出现的频率低于30％。虽然在任何自举样本中都发现了因果边，但仅在少数样本中出现这种边表明该边对抽样变异敏感，因此需要进一步验证这一发现。此外，PCDSP在当前配置下无法排除存在未被测量的共同原因解释观察到的因果关系的可能性。目前所使用的方法能够考虑比传统方法多得多的变量（252个），并且可以安全地排除这些252个测量变量中的共同原因。然而，我们的分析并不能排除未测量变量带来的混淆因素。原则上可以通过使用其他方法（21, 51）来检测这种效应，我们计划为此目的扩展PCDSP的功能。

正如我们所言，在接受我们的结果时需要谨慎。相应地，在简单否定我们的结果时也需要谨慎，因为这些结果基于的方法与领域几十年来一直采用的唯一因果推断范式（即实验研究）有所不同。我们在本研究中应用了这些方法，以解决这一范式的核心局限性——这种范式反而限制了领域内基于因果关系的知识发展。因为在大多数情况下无法进行人类病因学实验，因此大多数关于病因学的研究使用相关性方法；然而，这些研究的结果通常以因果关系的形式进行讨论。此外，使用相关性方法的主要错误发现风险在于隐藏的共同原因（来自未测量变量和未作为潜在共同原因检查的测量变量），这些原因会混淆观察到的变量与效应之间的关系。如果在给定研究中只考虑了给定效应的部分实际因果因素（这在精神病学领域的大多数相关性研究中都很常见），那么由于隐藏的共同原因导致的混淆可能性非常高。

推进对受虐待儿童PTS的因果因素的认识至关重要，以便为这些儿童开发并实施有效的干预措施。本研究旨在为这种迫切需要的进展做出贡献。