生存数据下基于双重稳健方法的条件独立性检验及其在新型生物标志物评估中的应用

《Biometrics》：Double robust conditional independence test for novel biomarkers given established risk factors with survival data

本研究针对生存数据中新型生物标志物(X)在给定已知风险因素(Z)条件下与生存时间(T)的条件独立性检验问题，提出了基于重抽样的双重稳健检验方法。通过模拟研究和ADNI数据应用验证，该方法在模型误设情况下仍能控制I类错误率，为精准医学中的生物标志物发现提供可靠统计工具。

　　

条件独立性是理解变量间概率关系的基础概念，在因果推断与机器学习领域具有广泛应用。本研究聚焦于生存数据背景下的条件独立性检验（T ⊥ X | Z），其中T可能存在右删失，Z代表已知风险因素，X为潜在新型生物标志物。研究目标是通过评估X在给定(X^?, Z^?)^?条件下对T的模型系数是否为零，筛选具有额外预测价值的新型生物标志物。传统似然比检验在模型误设时可能导致I类错误率失真，为此我们提出基于重抽样的分布近似方法。该检验具有双重稳健性：只要结果模型或协变量模型pr(X|Z)之一设定正确即可维持检验效能。研究还引入机器学习技术提升检验表现，通过模拟实验和阿尔茨海默病神经影像学倡议（ADNI）数据验证了方法的有限样本性能。