在疼痛研究中构建因果模型：以执行功能与疼痛状态转变为例

《PAIN》：Building causal models in pain research: the case of executive functioning and transitions in pain states

执行功能变化对慢性疼痛维持的影响研究，通过整合理论、实证和患者体验构建DAG，明确共因和中介变量，为因果推断提供透明框架。

　　慢性疼痛的状况会随着时间和情境的变化而波动。同样地，风险因素和保护性因素也存在差异，并且它们对这些疼痛相关转变的影响程度不一。我们关注的问题是，这些变化是否不仅仅是随机的，是否可以通过观察到的变量加以解释。大型纵向数据集，如英国生物银行（UK Biobank），为研究这些变化提供了独特的机会。然而，这类数据集也带来了高风险的偏差（如混杂）和过度解释的危险。因此，保持对因果思维的透明性非常重要。有向无环图（Directed Acyclic Graphs, DAGs）是一种对变量之间假设因果关系的图形表示。它们有助于识别需要调整的最小变量集合，以消除混杂偏差，从而更准确地估计暴露对结果的因果效应。尽管DAGs在许多科学领域已被广泛应用，但在疼痛研究中使用它们的案例却很少。本文旨在通过一个详细的例子，展示如何基于三个不同来源的领域知识（研究者理论知识、疼痛经历者经验知识、文献证据）构建DAGs，并探讨其在疼痛研究中的潜在价值。

在构建DAGs的过程中，研究人员和疼痛经历者分别参与了多个阶段的讨论。研究者通过两次面对面的研讨会，逐步明确了研究问题、定义了暴露和结果，并确定了可能的共同原因和中介变量。疼痛经历者则通过线上会议提供了关于疼痛体验中重要因素的经验性见解。这些不同来源的知识帮助研究团队识别出多个关键变量，并结合它们形成一个更全面的因果模型。最终的DAGs不仅考虑了暴露和结果之间的关系，还整合了共同原因和中介变量，以确保因果推理的准确性。

在研究中，DAGs被用于识别和消除可能的混杂因素。例如，年龄、社会经济地位、教育水平、职业、国家背景和语言等因素被归为“人口学因素”，作为共同原因被纳入模型。此外，研究人员还讨论了“心理因素”、“健康行为”和“创伤”等变量，它们可能在慢性疼痛的维持过程中起重要作用。为了确保模型的清晰性和可操作性，团队决定将这些变量按时间顺序排列，并对部分变量进行合并或排除，以避免概念上的重叠和不必要的复杂性。

在构建DAGs时，研究者和疼痛经历者都强调了因果关系的重要性。研究者认为，仅依靠数据无法推断因果，还需要结合领域知识。他们提出了“平均因果效应”的概念，即暴露与结果之间的平均变化。同时，疼痛经历者提供了关于疼痛状态变化中可能影响的因素，如缺乏护理一致性、疼痛管理策略、天气、压力、睡眠等。这些变量被归为共同原因或中介变量，并在DAGs中进行合理安排。

在文献分析中，研究团队从现有的研究中提取了相关的变量，并与研究者和疼痛经历者的观点进行对比。文献中的研究主要关注慢性疼痛的发展，而我们的研究则聚焦于慢性疼痛的维持。因此，文献中的变量需要根据我们的研究问题进行调整和补充。最终，研究团队将这些变量整合进一个综合的DAGs中，以确保模型的全面性和准确性。

构建DAGs的过程分为几个阶段。首先，研究者和疼痛经历者分别进行头脑风暴，收集关于研究问题和变量的信息。接着，团队通过讨论和共识达成一致，明确暴露和结果的定义。然后，团队将变量按时间顺序排列，并确定可能的共同原因和中介变量。最后，团队将所有信息整合成一个最终的DAGs，并对变量进行分类，确保其在模型中的合理位置。

在整个过程中，研究者和疼痛经历者都强调了因果推理的重要性。他们认为，仅依靠数据无法得出因果结论，必须结合领域知识和实际经验。同时，团队也认识到，许多现有研究更倾向于预测性分析，而不是因果分析，这可能导致结果的误读和错误的实践建议。因此，明确区分预测性和因果性分析，并在研究过程中保持透明，是确保研究质量的关键。

此外，团队还讨论了如何定义和操作化模型中的变量。例如，对于“执行功能”这一暴露变量，团队选择了英国生物银行中的“Trail Making Test A和B”和“Tower of London”两个任务作为测量工具。这两个任务分别测量了不同的执行功能成分，如认知控制、序列处理、视觉搜索、策略、计划速度等。团队决定使用Trail Making Test A和B的差异分数作为暴露变量，因为它能够提供一个相对纯粹的执行控制能力指标，主要反映切换成本。

在构建DAGs时，团队还考虑了变量的时间顺序。例如，早期的疼痛经历、社会经济因素、教育水平、职业等被归为共同原因，并按时间顺序排列。这些变量在模型中被明确标注，以确保因果推理的准确性。同时，团队还讨论了可能的中介变量，如健康行为、睡眠、疼痛管理策略等，并决定是否将其纳入模型中。

整个研究过程中，团队还强调了DAGs的透明性和可讨论性。通过将因果假设可视化，团队能够更清楚地识别和调整可能的混杂因素，从而提高因果推理的准确性。此外，团队还讨论了如何处理未测量的混杂因素，以及如何避免选择偏差。例如，英国生物银行的参与者可能在年龄、性别和社会经济地位上与一般英国人口存在差异，这可能导致统计上的虚假关联。团队提出了一些方法，如逆概率加权，来应对这些问题。

最后，团队总结了构建DAGs的流程，并提出了对其他研究者的建议。他们认为，构建DAGs是一个复杂但必要的过程，需要结合不同来源的知识，并通过反复讨论和调整来确保模型的准确性。同时，团队也认识到，构建DAGs可能会遗漏某些重要的变量，因此建议进行敏感性分析，以评估调整或不调整这些变量对因果估计的影响。此外，团队还强调了在研究设计阶段提前构建DAGs的重要性，以指导数据收集和分析过程。

总的来说，本文展示了如何通过整合研究者、疼痛经历者和文献中的知识，构建一个用于分析执行功能对慢性疼痛状态转变影响的DAGs。这个模型不仅有助于理解慢性疼痛的维持机制，还强调了在疼痛研究中使用DAGs的重要性。通过这样的方法，研究者可以更准确地识别和调整混杂因素，从而提高因果推理的可信度。同时，团队也指出了研究的局限性，如未能充分考虑临床视角，以及某些变量的未测量和未纳入。他们建议未来的研究可以进一步完善这些方面，以确保DAGs的全面性和准确性。