编辑推荐：
【编辑推荐】针对老年外科患者衰弱、多病共存及谵妄对术后结局影响机制不明确的问题，SNAP-3 研究通过构建有向无环图（DAGs）可视化变量关系。结果显示 DAGs 可明确混杂因素并优化统计调整，为围手术期因果推断提供透明框架，推动临床研究方法学革新。
在老龄化社会背景下，老年外科患者的术后健康管理面临严峻挑战。据统计，英国约五分之一≥60 岁外科患者存在衰弱（frailty），三分之二伴有多病共存（multimorbidity），但这些状况与术后不良结局（如谵妄、死亡等）的因果关系尚不明确。传统观察性研究易受混杂偏倚影响，难以准确揭示变量间真实关联，亟需科学方法优化因果推断。
为解决这一关键问题，由英国研究人员主导的第三期全国麻醉冲刺项目（SNAP-3）开展了一项观察性队列研究，旨在通过有向无环图（directed acyclic graphs, DAGs）明确衰弱、多病共存及谵妄与术后结局的因果路径。该研究成果发表于《British Journal of Anaesthesia》，为围手术期医学领域提供了新的方法论范式。
研究人员主要采用以下技术方法：首先基于 “证据合成构建有向无环图”（ESC-DAGs）指南，针对衰弱、多病共存、谵妄与术后住院时长、发病率、死亡率等结局的暴露 - 结局关系，构建 7 个 DAGs；其次通过独立临床专家意见修订模型，明确关键节点（如年龄、痴呆、手术紧迫性等）；最后利用 DAGitty 软件分析路径开放性，确定最小调整变量集以优化统计模型。研究纳入的老年外科患者队列数据为模型构建提供了实证基础。
研究结果
1. DAGs 的基础概念与结构
DAGs 通过节点（nodes）和边（edges）可视化变量关系，其中单向箭头表示因果方向，无环结构确保逻辑严谨性。例如，在衰弱与术后发病率的简化模型中，年龄作为共同原因（common cause）成为混杂变量，而手术紧迫性（urgency of surgery）作为中介变量（mediator）位于因果路径上。通过 DAGitty 的颜色编码系统（绿色为暴露、蓝色为结局、红色为混杂因素），可直观识别不同变量角色。
2. 暴露 - 结局关系的 DAGs 构建
以衰弱和多病共存对术后发病率的联合影响为例，研究构建的 DAGs 包含交互作用节点（interaction term），以反映两者的协同效应。关键节点包括年龄、恶性肿瘤、痴呆、视听障碍、社会剥夺等混杂因素，以及手术严重程度、围手术期医疗服务等潜在变量。模型通过排除中介变量（如手术紧迫性）和对撞变量（collider，如住院时长），确定最小调整集为年龄、恶性肿瘤、痴呆等 6 个变量，避免过度调整或调整不足导致的偏倚。
3. DAGs 在研究设计与分析中的应用
研究遵循 14 步流程构建 DAGs，从明确研究问题（如 “衰弱和多病共存如何影响术后发病率”）到优化统计模型，每个环节均基于临床知识和文献证据。例如，在变量整合阶段，将视听障碍合并为单一节点以简化模型；在敏感性分析中，通过预设不同调整集验证结果稳健性。结果表明，DAGs 可系统性识别混杂因素，指导回归模型调整，提升因果推断的准确性。
结论与讨论
SNAP-3 研究证实，DAGs 为观察性研究提供了透明的统计决策框架，其核心价值在于通过可视化因果假设，避免传统研究中因变量调整不当导致的偏倚。例如，若错误调整中介变量手术严重程度，将引入虚假关联，而 DAGs 明确其作为中介的属性，避免此类误差。此外，研究首次在围手术期领域应用 DAGs 描述复杂交互作用（如衰弱与多病共存的联合效应），为多因素疾病研究提供了方法论参考。
尽管 DAGs 存在无法验证所有潜在关系、模型复杂度较高等局限，但其在 SNAP-3 中的成功应用表明，该工具可显著提升老年外科患者预后研究的科学性。随着大数据和精准医学的发展，DAGs 有望成为围手术期医学中因果推断的标准工具，推动从关联性描述向机制性研究的跨越，为临床干预策略的制定提供更可靠的证据支持。
