《Statistics in Medicine》：A Doubly Robust Approach to Evaluating the Impact of Hospital Length of Stay on Post-Fracture Recovery in Older Adults With Cognitive Impairment
编辑推荐：
对于被诊断为阿尔茨海默病及相关痴呆（Alzheimer's Disease and Related Dementias，ADRD）的老年人，髋部骨折后的恢复结局常较差，住院时间延长和康复期延长较为常见。该研究考察住院对出院后结局的影响，重点关注住院时长（len
对于被诊断为阿尔茨海默病及相关痴呆（Alzheimer's Disease and Related Dementias，ADRD）的老年人，髋部骨折后的恢复结局常较差，住院时间延长和康复期延长较为常见。该研究考察住院对出院后结局的影响，重点关注住院时长（length of stay）对恢复的差异化效应，恢复以居家健康天数（days spent at home，DAH）衡量。该分析面临重要分析挑战，包括基线混杂（baseline confounding）、结局缺失（missing outcome）以及连续暴露（continuous exposure）评估的复杂性。为解决这些问题，研究人员开发了一个双稳健估计量（doubly robust estimator），其可容纳连续暴露并考虑结局缺失，并为终端用户提供实践指导，包括条件密度（conditional density）和缺失数据模型（missing data model）的诊断，以及针对假设违背的敏感性分析（sensitivity analysis）。大量模拟表明，当结局数据为随机缺失（missing at random，MAR）时，该方法持续优于现有的连续暴露双稳健方法。在真实世界数据中的应用提示，住院时间超过20天与DAH显著降低相关。
论文解读：面向连续暴露与缺失结局的双稳健估计及其在ADRD老年髋部骨折患者住院时长评价中的应用
一、研究背景与问题
每年有近300,000名老年人发生髋部骨折，创伤后恢复常具挑战。对于阿尔茨海默病及相关痴呆（Alzheimer's Disease and Related Dementias，ADRD）患者，结局尤其差，常涉及住院时间延长、康复期延长，并且骨折后死亡率高于非ADRD个体；这些患者恢复既往功能水平也面临更大障碍。考察住院时长可帮助临床医生识别恢复不良高风险个体，从而支持更个体化的出院后管理策略，以优化照护服务。该问题对ADRD髋部骨折患者尤为重要，因为该人群急性后期恢复轨迹在临床文献中研究不足。
因果推断面临若干挑战。第一，基线患者层面和医院层面混杂因素可能同时影响住院和出院后结局，从而偏倚真实效应估计。第二，随访期间结局缺失增加分析复杂性。第三，与可明确分组的治疗/暴露不同，住院时长缺乏公认截断点来定义临床有意义类别，因此研究人员将住院时长（以天计）作为连续暴露。现有方法中，逆概率治疗加权（inverse probability of treatment weighting，IPTW）使用估计密度函数调整混杂；结局回归（outcome regression，OR）将结局建模为暴露和协变量的函数；二者均依赖模型正确指定。双稳健估计量要求条件密度或结局回归至少一个正确即可，但不一定同时正确。Wu 等开发了连续暴露下平均因果暴露—反应函数的匹配方法，具有一定模型误设稳健性；然而这些方法均未设计处理结局缺失。缺失数据文献中，完全随机缺失（missing completely at random，MCAR）下完整案例分析仍可能有效，但随机缺失（missing at random，MAR）下完整案例分析通常导致偏倚；多重插补和逆概率加权（inverse probability weighting，IPW）常用，增广 IPW 可形成双稳健估计。非随机缺失（missing not at random，MNAR）也有选择模型、模式混合模型和联合建模策略。但据作者所知，缺失数据在连续治疗/暴露背景下，尤其对 Kennedy 的双稳健框架，尚未被充分研究。因此，研究人员开展本项研究。
二、研究人员开展的研究、结论与意义
研究人员开发了一个新的双稳健方法，用于处理混杂、结局缺失和连续暴露复杂性。该方法将现有双稳健估计量扩展至结局 MAR 情形。其构造修订版伪结局，在伪结局第一部分加入观察概率逆权重，以处理缺失数据造成的偏倚；第二部分不加该权重，以保持双稳健性质。积分估计采用留一法（leave-one-out），以避免自影响/过拟合。理论结果表明，在 Assumptions 1 至 3 和正则条件下，如果条件密度与缺失机制联合模型正确，或结局回归模型正确，但不一定二者同时正确，所提估计量一致。研究还提供模型诊断，包括条件密度模型和缺失数据模型诊断，以及假设违背的敏感性分析。模拟研究和对 Medicare 索赔数据的应用表明，所提方法在模型误设下具有稳健性；应用结果提示，住院时间超过20天与DAH显著降低相关。其重要意义在于，为连续暴露和缺失结局的因果推断提供实用工具，并支持对住院超过20天患者进行更精细的出院规划和急性后期照护安排。
三、关键技术方法概括
研究人员提出双稳健估计量，将 Kennedy 等连续暴露双稳健框架扩展至结局 MAR；对伪结局第一项加入观察概率逆权重，第二项不加权重；采用留一法估计积分，并用 bootstrap 进行统计推断。研究提供条件密度与缺失数据模型诊断，以及偏离 MAR 的模拟敏感性分析。模拟中生成混合连续/二值协变量、Beta 分布连续暴露和 Gamma 分布噪声，比较所提方法、Kennedy 双稳健、IPTW 和 OR。应用使用 Medicare fee-for-service 索赔数据，包括2010—2016年5%全国受益人随机样本和2017—2018年20%随机样本，纳入65岁及以上髋部骨折患者，最终队列21676例；采用广义线性模型（generalized linear model，GLM）、GAMLSS（generalized additive models for location, scale and shape）和含三次B样条线性模型估计 nuisance 函数。
四、研究结果
5.1 Data Generation（数据生成）：研究人员模拟十个协变量，五个连续变量服从多元正态分布，五个分类变量服从独立多元二项分布；连续暴露服从 Beta 分布；结局由含三次样条基的模型生成，误差使用 Gamma 分布以产生偏度和较重尾部；另生成观察指示变量，其服从 Bernoulli 分布，以制造不同缺失率。为评价双稳健性，还设置 nuisance 模型误设情形。比较方法包括 Kennedy 双稳健、IPTW 和 OR。
5.2 Result Evaluation and Interpretation（结果评价与解释）：Bias（偏倚）：当所有模型正确时，Kennedy 估计量略有偏倚，其他三种方法偏倚可忽略；当所有 nuisance 函数误设时，所有方法均有偏倚，但所提估计量均方根误差（root-mean-squared error，RMSE）最小。所提估计量在条件密度与倾向得分同时误设、仅条件密度误设、仅倾向得分误设等情形下持续给出无偏估计，其他三种估计量至少在一种情形下有偏。缺失率提高时，现有方法在某一模型误设下偏倚增大，而所提方法在多数场景仍保持较小偏倚；样本量为1000时模式类似。Statistical inference（统计推断）：OR 估计量方差最小，IPTW 估计量变异最大；所提估计量方差通常小于 Kennedy 估计量。基于 bootstrap 的标准误（bootstrap standard error，BSE，50次重抽样）与 Monte Carlo 标准差接近，bootstrap 置信区间覆盖概率（coverage probability，CP）接近名义水平。额外敏感性分析显示，500次与2000次 Monte Carlo 迭代结果相似，50次与500次 bootstrap 结果相似，提示50次 bootstrap 可能足以估计标准误和覆盖概率。
Application（应用）：Data description（数据描述）：研究分析 Medicare fee-for-service 索赔数据，包括2010—2016年5%全国受益人随机样本和2017—2018年20%随机样本。研究对象为65岁及以上因髋部骨折住院的受益人，通过国际疾病分类第9版和第10版（ICD-9 和 ICD-10）股骨颈或股骨转子间骨折代码识别，排除骨盆缘或髋臼骨折。出院后恢复以DAH衡量，定义为出院后六个月内平均居家天数，即180天减去在医院、护理院或康复机构的天数；随访期间死亡者编码为缺失，死亡或失访视为删失。分析限制于存活且住院少于30天者，最终队列21676例，其中部分患者结局缺失。协变量包括性别、种族、年龄组、髋部骨折手术类型、入院前六个月DAH作为基线健康代理，以及医院床位规模等。Competing methods and nuisance model estimation（竞争方法与 nuisance 模型估计）：应用所提估计量，并与 Kennedy 双稳健、IPTW 和 OR 比较。使用参数方法估计 nuisance：GLM 估计结局均值；GAMLSS 估计给定协变量下暴露条件密度；含三次B样条的线性模型及暴露与所有协变量交互估计条件结局均值。Kennedy 估计量排除缺失值；加权 IPTW 用于处理缺失结局；点wise 95%置信区间由 bootstrap 标准误构造。Model diagnose（模型诊断）：缺失数据模型中，部分协变量绝对标准化均值差（standardized mean difference，SMD）大于0.05，但加权协变量均值在0.02内并围绕零；条件密度模型中，加权样本相关更接近零，提示条件密度模型合适。Result（结果）：所有方法均显示住院时长与出院后DAH负相关。所提方法观察到住院10至20天之间存在平台期，DAH相对稳定；超过20天后DAH急剧下降。Kennedy 方法和含三次样条 OR 显示类似非线性模式；IPTW 模式相似，但估计DAH范围为0至90天。Sensitivity analysis（敏感性分析）：多数缺失结局由死亡造成（约98%），出院后六个月内退保较少，因此MAR假设存在担忧。敏感性分析设置潜在因子方差为观察结局方差的0%至20%，对应主要MAR分析至中等未测量混杂。各敏感性水平下估计曲线保持下降模式，潜在因子方差增加使曲线小幅上移，但差异不大，提示在所考察场景下敏感性有限；但该分析未证明对一般MNAR机制稳健。
五、讨论总结与结论翻译
讨论部分指出，研究人员开发了处理连续治疗/暴露和缺失结局的双稳健估计，并提供实践指导。理论分析和模拟研究证明所提方法有效，并展示其对模型误设的稳健性。真实世界数据应用提示，住院时长超过20天的骨折患者恢复结局显著较差，而少于20天者在控制基线因素后出院后恢复更一致且良好。该发现强调住院时长作为独立风险因素的价值，并强调对住院超过20天患者制定个体化急性后期照护计划的重要性。但将住院时长作为干预进行因果解释需谨慎，因为住院时长可能反映出院管理决策以及住院期间不断演变的临床病程，未必完全可干预。
未来方向包括：Machine learning（机器学习）：当前实验主要依赖参数模型估计 nuisance 组件，模型诊断和性能检查显示在真实数据应用中合适；若参数模型误设或诊断显示性能不足，机器学习方法可能更优，双稳健框架可容纳梯度提升、随机森林、神经网络、GAMs 或 Super Learner 集成等，以灵活建模非线性和高阶交互，但需进一步模拟评价。Heterogeneity of exposure effects（暴露效应异质性）：除平均暴露效应外，值得考察住院时长对恢复影响在关键患者亚组间的差异，例如男女亚组差异可优化照护管理，但需新理论框架，超出本文范围。Time-varying exposure（时变暴露）：许多真实世界暴露随时间变化，如空气污染物浓度；研究高浓度细颗粒物（PM
2.5）长期或累积暴露对健康结局的影响很重要，但需能处理时变混杂和暴露—混杂反馈回路的新因果推断框架。Missing not at random (MNAR)（非随机缺失）：在 Medicare fee-for-service 索赔数据中，随访可能因保险转换或死亡而截断，可能触发MNAR机制；MNAR通常不能仅凭观察数据验证，需额外研究，超出本文范围。
研究结论翻译：研究人员已经开发了一种处理连续治疗/暴露和缺失结局的双稳健估计，并为其实践应用提供有用指导。理论分析和模拟研究均证明所提方法的有效性，展示其对模型误设的稳健性。将所提估计量应用于真实世界数据提示，住院时长超过20天的骨折患者恢复结局显著较差，而少于20天的患者在控制基线因素后出院后恢复较为一致且良好。该发现强调住院时长作为独立风险因素、超越基线因素的价值，并强调对住院超过20天患者制定个体化急性后期照护计划的重要性。然而，需注意将住院时长作为干预进行因果解释应谨慎，因为住院时长可能反映出院管理决策以及住院期间不断演变的临床病程，未必完全可干预。
