基于多水平倾向性评分模型与逆概率加权法的HIV-TB共感染患者治疗延迟因果效应研究

本研究针对层级数据中未测量的集群水平混杂因素问题，创新性地结合多水平倾向性评分模型（Multilevel Propensity Score Model）与逆概率加权法（IPW），系统评估了模型误设、协变量平衡和极端权重对平均处理效应（ATE）估计的影响。通过48种模拟场景和HIV-TB共感染患者真实数据验证，发现采用贝叶斯加性回归树（BART）构建模型或集群均值稳定权重可显著提升估计精度，为公共卫生观察性研究提供了可靠的因果推断方法学支持。

　　

在结核病与艾滋病双重负担的公共卫生领域，治疗延迟对患者预后的影响长期存在争议。传统观察性研究常因忽略地区级未测量混杂因素（如医疗资源分布差异）导致因果效应估计偏差，而现有方法对模型误设、极端权重等问题的处理尚未形成系统方案。针对这一难题，四川省疾病预防控制中心的研究团队在《BMC Medical Research Methodology》发表了一项开创性研究，通过模拟分析与真实世界数据验证，为层级数据的因果推断提供了方法学突破。

研究团队采用三大关键技术：首先构建包含固定效应模型（FEM）、随机效应模型（REM）和贝叶斯加性回归树（BART）的9种多水平倾向性评分策略；其次创新性比较边际稳定权重与集群均值稳定权重在48种模拟场景下的表现；最后基于中国凉山州2019-2022年HIV-TB共感染患者队列（具体样本量见原文），应用截断法处理极端权重，评估治疗延迟对疗效的因果效应。

模拟研究结果

1. 权重分布特征：固定效应模型结合边际权重（FEM-Marginal）产生最多极端权重（最高达0.1764%），而BART固定效应模型（BART-FE-Marginal）在小型集群中能将极端权重降低50%以上。当数据满足正性假设时，集群均值稳定权重策略的绝对百分比偏差（14.23%-15.66%）显著低于边际权重策略（25.97%-30.01%）。

2. 效应估计精度：在违反正性假设的场景中，BART-FE-Marginal展现出最强稳健性，其均方根误差（RMSE）较传统方法降低40%。通过将权重截断阈值设为5，可使95%置信区间覆盖率提升至92%以上。

3. 协变量平衡：边际权重策略对所有变量平衡效果最佳（ASMD<0.1），但BART模型在小型集群中对未测量集群混杂的控制存在局限，提示需结合临床背景判断变量重要性。

真实世界应用

在凉山州HIV-TB共感染患者数据分析中，所有策略均证实治疗延迟是疗效的独立危险因素（OR=1.50-1.73）。值得注意的是，BART随机效应模型（BART-RE-Marginal）估计效应值最大（β=0.55，P<0.01），而传统固定效应模型（FEM-Cluster）估计值最小但统计学意义仍显著（β=0.41，P<0.05），这种差异主要源于标准误的算法差异。

这项研究的里程碑意义在于：首次系统评估了机器学习与集群均值权重在层级数据因果推断中的协同作用，为解决公共卫生研究中普遍存在的"地域差异混杂"问题提供了可复制的方法框架。研究明确建议：当存在未测量集群混杂时，应优先采用BART算法或集群均值稳定权重；若使用边际权重，则必须配合截断等极端权重处理方法。这些发现不仅为HIV-TB共感染管理策略制定提供了循证依据，其方法学创新更可推广至慢性病管理、疫苗效果评估等需控制区域差异的观察性研究领域。