估计倾向评分增量干预(Incremental Propensity Score Intervention, IPSI)对生存函数的影响

《Health Services and Outcomes Research Methodology》：Estimating incremental propensity score effects on survival functions

　　

平均处理效应(Average Treatment Effect, ATE)是因果推断分析中的经典估计量。ATE估计的一个关键假设是阳性(Positivity)要求，即确保每个研究对象均有非零概率接受任一种处理模式。增量倾向评分干预(Incremental Propensity Score Intervention, IPSI)提供了一种替代方法，可绕过该要求。IPSI通过对观测倾向评分(Propensity Score, PS)进行固定幅度的偏移，评估此偏移如何影响均值结局，从而可在偏移范围内构建增量效应曲线。然而，现有IPSI方法不适用于受右删失(Right-censoring)影响的生存结局。研究人员将IPSI框架应用于生存数据，以评估时间固定处理经典设定下随机PS偏移对生存函数的因果效应。研究人员引入增量生存函数曲面(Incremental Survival Function Surface, ISFS)，用以捕捉生存概率如何在偏移因子与时长上联合演化。通过Bootstrap程序构建了ISFS的一致置信带(Uniform confidence bands)。此外，研究人员进一步考虑增量导数效应(Incremental Derivative Effects, IDEs)，其量化了处理分布发生无穷小偏移时生存函数的瞬时变化，提供了更具可解释性的因果测度。研究人员采用参数模型对ISFS及IDE进行估计与一致推断。研究人员通过将腹膜透析(Peritoneal Dialysis, PD)与血液透析(Hemodialysis, HD)组的生存函数进行比较，演示了所提方法的实用价值——老年合并症血液透析患者不太可能接受腹膜透析。ISFS的一致推断揭示了非均匀的增量效应，腹膜透析的生存获益在随访后期减弱，符合临床预期。所提出的IPSI框架为评估观测PS偏移如何影响随时间变化的生存函数提供了有价值的方法，为含右删失结局的观测性研究治疗效应评估提供了新见解。

论文解读：估计倾向评分增量干预(IPSI)对生存函数的影响

一、研究背景与意义

传统因果推断中平均处理效应(Average Treatment Effect, ATE)的识别依赖阳性(Positivity)假设，即每位受试者均有非零概率接受任一组别处理。在观测性研究中，当某些亚组（如高龄合并心衰患者）几乎不可能接受某种治疗（如腹膜透析）时，倾向评分(Propensity Score, PS)趋近0或1会导致阳性假设近似违背(Positivity violation)，致使ATE估计不稳定甚至偏倚。现有应对手段如PS修剪(Trimming)或重叠加权(Overlap Weight, OW)虽缓解极端PS影响，但仍依赖阳性假设或需界定重叠人群。增量倾向评分干预(Incremental Propensity Score Intervention, IPSI, Kennedy 2019)通过按因子δ缩放原观测PS的比值比(Odds Ratio)来定义随机化干预，完全规避阳性假设，适用于有限重叠数据。然而原IPSI针对连续或二分类完整结局，未涉及右删失(Right-censoring)生存数据。本研究由研究人员开展，将IPSI拓展至含右删失的时间固定二分类处理生存分析，引入增量生存函数曲面(Incremental Survival Function Surface, ISFS)与增量导数效应(Incremental Derivative Effect, IDE)，并以美国USRDS终末期肾病(End-Stage Renal Disease, ESRD)透析队列（腹膜透析vs血液透析）进行实证。论文发表于《Health Services and Outcomes Research Methodology》。

二、主要关键技术方法

研究人员基于USRDS中2014年新启动透析的25,058例ESRD患者（约17%接受腹膜透析为处理组A=1，余为血液透析A=0），收集人口学、原发病及合并症作为混杂协变量X。采用Logistic回归拟合PS：π(X)=exp(α^TX)/{1+exp(α^TX)}。分别在处理组与对照组内拟合分组特定Weibull参数回归模型估计条件生存函数S_a(t|X)=exp{-(λ_at)^γ_a·exp(β_a^TX)}（a∈{0,1}）。IPSI偏移处理概率为q(δ,X)=δπ(X)/{δπ(X)+1-π(X)}，其中δ为预设Odds乘子。增量反事实生存函数ψ(δ,t)=E[{δπ(X)S₁(t|X)+(1-π(X))S₀(t|X)}/{δπ(X)+1-π(X)}]，样本估计取个体平均。通过1000次非参数Bootstrap获取经验标准差并求Sup-type临界值c₉₅构建(δ,t)二维网格上的95%一致置信带；IDE定义为τ(δ,t)=?ψ(h,t)/?h|_h=δ=E[ω(X;δ){S₁(t|X)-S₀(t|X)}]，其中ω(X;δ)=π(X){1-π(X)}/{δπ(X)+1-π(X)}²，重点关注δ=1处（等价于重叠权重加权处理组对照生存差）。

三、研究结果

2.1 Notation and assumptions（符号与假设）

研究人员定义潜在失效时间T^a、潜在删失时间C^a，假定一致性(Consistency)：T=T^a,C=C^a当A=a；条件可交换性(Conditional exchangeability)：T^a⊥A|X；协变量依存的删失(Covariate-dependent censoring)：C^a⊥T^a|X,a。在上述假设下条件生存函数S_a(t|x)=Pr(T^a>t|X=x)可由观测数据识别。

2.2 Incremental propensity score intervention (IPSI)（增量倾向评分干预）

研究人员回顾二值结局IPSI：将原PS π(X)按δ缩放Odds得q(δ,X)，δ=1对应原始观测分布，δ→0或∞分别趋近全对照或全处理（若阳性成立）。IPSI均值ψ(δ)=E[{δπ(X)μ(X,1)+(1-π(X))μ(X,0)}/{δπ(X)+1-π(X)}]在π(X)=0或1时仍良定义，故不需阳性假设。

2.3 IPSI for survival data（面向生存数据的IPSI）

研究人员将时刻t的生存指示Y(t)=I(T>t)视作伪结局，推导得反事实生存函数ψ(δ,t)=Pr{T^Q(δ)>t}=E[{δπ(X)S₁(t|X)+(1-π(X))S₀(t|X)}/{δπ(X)+1-π(X)}]。δ=1还原观测边际生存函数S(t)；若阳性成立，δ=0与δ→∞分别对应全体对照与全体处理的反事实生存函数S₀(t)、S₁(t)。估计时用Logistic拟合π?(X)及分组Weibull拟合S?_a(t|X)代入样本均值公式。

2.4 Uniform inference at fixed time points（固定时间点上的一致推断）

研究人员对给定时间t₀构建ψ(δ,t₀)沿δ∈D的95%一致置信带：ψ?(δ,t₀)±c₉₅(t₀)·σ?(δ,t₀)/√n，其中c₉₅(t₀)为Bootstrap经验Sup-t统计量95%分位数，可检验H₀: ψ(δ,t₀)=S(t₀), ?δ∈D。

2.5 Uniform inference for the incremental survival function surface (ISFS)（增量生存函数曲面的一致推断）

研究人员扩展至(δ,t)二维网格D×T上构建ISFS的95%一致置信带ψ?(δ,t)±c₉₅·σ?(δ,t)/√n，拒绝H₀: ψ(δ,t)=S(t), ?δ∈D,t∈T若置信带不含原始生存曲面。Bootstrap步骤：重抽样B次计算各(δ,t)网格点ψ?值，逐格求经验SE得σ?，每行算标准化绝对偏离最大值Z^*_max，取B个Z^*_max的95%分位数为c₉₅。

3 Survival incremental derivative effects（生存增量导数效应）

研究人员定义IDE τ(δ,t)=?ψ(h,t)/?h|_h=δ=E[ω(X;δ){S₁(t|X)-S₀(t|X)}]，特别δ=1时ω(X;1)=π(X){1-π(X)}即重叠权重。估计τ?(1,t)=n^-1Σπ?(X_i)(1-π?(X_i)){S?₁(t|X_i)-S?₀(t|X_i)}，通过Bootstrap获一致置信带检验H₀: τ(1,t)=0, ?t∈T。

4 Application（实证应用）

研究人员用USRDS 2014年新透析ESRD队列（PD组~17%，HD组年龄大、合并ASHD/CHF多；PS分布示部分HD患者PS≈0）。选取δ∈[0.2,5]（对应PD患病率约4%~48%），时间网格t∈[5,925]天（20天间隔）。结果：(1)固定时点（365天、725天）增量效应曲线及其一致置信带均不覆盖原生存概率水平线，拒绝无增量效应假设，且早期(365天)效应较后期(725天)明显；(2)ISFS显示δ>1时生存概率高于原S(t)，δ<1时低于S(t)，统一置信带下界曲面在δ>1且t< />

四、讨论与结论

研究人员指出，IPSI通过连续偏移观测PS评估处理效应，完全规避阳性假设，适合存在有限重叠的观测性生存研究。本文将其拓展给出ISFS与IDE的参数估计及一致推断（Bootstrap），并用 parametricWeibull及Logistic实现。局限性在于依赖PS模型与Weibull生存模型正确设定，未来可用Cox半参数模型或机器学习（随机生存森林、Super Learner）增强稳健性；可进一步引入条件增量效应评估异质性、推广至连续处理（指数倾斜）及纵向修正治疗策略(Modified Treatment Policies, MTPs/LMTPs)。与近期离散时间LMTP方法不同，本文自然适配连续时间尺度生存数据。

研究结论翻译：增量倾向评分干预(IPSI)为处理阳性假设实际违背情形提供了有价值的途径，通过评估观测PS增量偏移下的处理效应替代传统固定分配。本文将该框架拓展至生存函数，考量增量效应随时点变异。实证显示该方法在透析模式比较中的实用性——大量ESRD患者不可能接受腹膜透析使传统ATE不切实际，生存IPSI克服了此局限。所提生存IPSI预期广泛适用于含右删失生存结局因果比较且存在阳性违背可能的流行病学研究。