混合效应两阶段残差纳入法在个体患者数据荟萃分析中的应用：生存分析中因果推断的方法学框架

《Research Synthesis Methods》：Mixed-effects two-stage residual inclusion methods for individual patient data meta-analysis: A methodological framework for causal inference in survival analysis

　　

个体患者数据荟萃分析（Individual Patient Data Meta-Analyses, IPDMAs）为综合不同研究证据提供了有力工具，然而，在处理具有生存结局的观察性IPDMAs中的未测量混杂时，相关方法却鲜有应用。工具变量（Instrumental Variable, IV）方法具备因果推断能力，但在层次数据结构中面临实际挑战，尤其是在非线性混合效应模型中缺乏标准的工具强度诊断方法。研究人员采用并评估了一种频率学派的混合效应两阶段残差纳入（Two-Stage Residual Inclusion, 2SRI）框架，用于生存数据的IPDMAs，将传统的IV方法扩展至可容纳研究水平和时间聚集性，并通过Cox比例风险模型处理时间-事件结局。由于经典的F统计量不适用于逻辑斯蒂混合效应第一阶段模型，研究人员提出Wald χ²统计量作为一种实用的工具强度诊断方法，并通过经验数据描述了其与估计量性能之间的关系。通过一项包含48种情景的综合模拟研究——变化未测量混杂（从弱到极强）、工具-治疗关联强度（0.3–1.0）以及跨研究IV分配模式——研究人员使用偏差、覆盖率、方差和均方误差，将2SRI方法与朴素的混合效应Cox模型进行了比较。该设计基于来自埃博拉数据汇总的真实IPDMA结构（10项研究，N ≈ 4，357），每种情景重复1，000次。结果表明，在弱混杂条件下，朴素模型在所有指标上均占优。在中度到强混杂且实现的Wald χ²超过150–200时，混合效应2SRI能显著减少偏差并达到接近名义水平的覆盖率，尽管方差有所膨胀。研究人员提供了经验性的参考点，将实现的第一阶段强度与预期性能联系起来，使分析人员能够判断在层次化生存IPDMAs中，2SRI何时会优于传统方法。所有模拟均假设跨研究的治疗效果相同。异质性效应下的性能仍有待确定。

**基于混合效应两阶段残差纳入法的个体患者数据荟萃分析：生存分析因果推断的方法学框架解读**

**研究背景与问题**
在人群和全球健康研究中，为得出群体层面的结论，相较于开展新的大型研究，整合多项研究数据进行荟萃分析（Meta-Analysis, MA）是一种高效且经济的方法。个体患者数据荟萃分析（Individual Patient Data Meta-Analysis, IPDMA）通过汇集原始研究中的个体水平数据，能够评估数据质量、标准化分析方法，并探究个体水平的效应修饰，从而减少研究间异质性的影响。然而，在医学等学科中，随机化往往不可行，观察性研究普遍存在。为加强因果推断，准实验方法（如工具变量法）被越来越多地应用于单一观察性研究或随机对照试验中，以利用治疗分配或暴露中自然发生的外生变异，处理测量和未测量的混杂。尽管这些方法在单一研究中应用日增，但在健康研究的IPDMAs中却很少应用。其障碍包括：汇集来自样本量、招募时期和研究地点实践各异的研究数据所带来的实际问题，以及缺乏在IPDMAs中进行此类分析的成熟统计方法、诊断程序和软件工具。具体到生存分析领域，当关注结局是生存时间时，研究人员在IPDMA中可能采用混合效应Cox比例风险模型。然而，当存在未测量混杂时，传统的“朴素”模型估计会产生偏倚。工具变量（IV）方法，特别是适用于非线性第二段模型（如Cox模型）的两阶段残差纳入法（2SRI），为解决此问题提供了可能，但该方法在具有层次结构（如研究内聚集、时间聚集）的IPDMA中的应用尚未得到系统评估。一个关键挑战在于，对于逻辑斯蒂混合效应第一阶段模型，经典的弱工具诊断指标（如F统计量）无法直接使用，导致分析人员缺乏评估工具强度的实用方法。因此，迫切需要开发并评估适用于生存IPDMA的混合效应2SRI框架，并提供可行的工具强度诊断标准。本研究旨在填补这一空白，为在层次化生存数据中进行因果推断提供方法学框架和实证指导。

**研究方法概述**
为评估混合效应2SRI在IPDMA中的性能，研究人员开展了一项全面的模拟研究。研究设计遵循ADEMP框架，数据生成机制基于一个真实的埃博拉病毒病汇总数据集的结构进行参数化，固定了10项研究及其样本量，以反映传染病暴发背景下研究规模通常较小的特点。研究系统地操纵了三个设计因素：工具分配模式（平衡、中度不平衡、基于真实埃博拉治疗分布的异质性模式）、工具-治疗关联强度（对数比值比尺度：0.3， 0.5， 0.8， 1.0）以及未测量混杂的强度（弱、中度、强、极强，通过影响治疗分配和结局的未观测变量U的系数大小控制）。生存时间通过竞争风险的威布尔模型生成，模拟了死亡和出院两个事件，参数设置反映了埃博拉等严重传染病患者生存期短（通常入院后30天内）的特点。主要估计目标是治疗的对数风险比，其真实值设定为-0.4。在每次模拟中，研究人员比较了两种估计方法：一是调整了年龄和性别并包含研究和时间随机效应的朴素混合效应Cox模型；二是混合效应2SRI方法，其第一阶段为包含相同协变量和随机效应的逻辑斯蒂混合效应模型，第二阶段为包含第一阶段残差的Cox混合效应模型。性能评估指标包括相对偏差、95%置信区间覆盖率、经验标准误和均方误差。此外，研究提出并使用第一阶段工具系数估计的Wald χ²统计量（自由度为1）作为工具强度的诊断指标，并分析了性能指标如何随实现的Wald χ²值变化。

**研究结果**
1. **性能比较与工具强度诊断**：模拟结果揭示了混合效应2SRI与朴素估计器之间的性能权衡。在弱未测量混杂下，朴素模型在偏差和均方误差上均占优。随着混杂强度增加至中度、强和极强，朴素估计的偏差迅速增大，覆盖率急剧下降至远低于名义水平（如强混杂下接近0%），尽管其经验标准误始终保持较小（约0.05–0.06），这反映了存在偏倚时的过度置信推断。相比之下，混合效应2SRI在各级混杂水平下均能保持接近名义水平的覆盖率，但其经验标准误在工具较弱时显著膨胀（Wald χ²较低的五分位组Q1-Q2），随着实现的工具强度增加（至Q4-Q5），标准误逐渐减小并趋于稳定（约0.35或更低）。均方误差的结果显示了偏差-方差的权衡：在弱和中度混杂下，朴素模型的均方误差低于2SRI；但在强混杂下，当工具强度达到中等及以上（Q3-Q5）时，2SRI的均方误差开始低于朴素模型；在极强混杂下，2SRI从Q2开始即获得更低的均方误差。

2. **Wald χ²作为诊断指标的有效性**：实现的Wald χ²值主要受设计阶段设定的工具-治疗关联强度驱动，跨研究工具分配模式和混杂水平的影响相对较小。随着关联强度从0.3增加至1.0，Wald χ²的中位数从约20–50上升至160–240。研究发现，2SRI的性能与实现的Wald χ²值密切相关：当Wald χ²低于50时，2SRI表现出典型的弱工具特征（偏差大且可变，覆盖率低于名义水平，标准误膨胀）；当Wald χ²在100至150之间时，性能有所改善；当Wald χ²超过150–200时，2SRI在强混杂下相对于朴素模型的均方误差优势变得明显。这些数值范围是基于本研究特定模拟结构（10项研究、固定样本量、特定模型）得出的经验性参考点，而非普适阈值。

3. **对IV假设违反的敏感性**：额外的模拟评估了工具变量另外两个核心假设（排他性约束和独立性）被违反时的影响。在强和极强混杂下，引入工具对结局的直接效应（违反排他性）或工具与未测量混杂因素的相关性（违反独立性）会严重损害2SRI的性能，导致偏差大幅增加，覆盖率下降。这表明，2SRI的良好性能依赖于所有三个IV假设的成立，Wald χ²仅能诊断相关性假设，无法验证排他性和独立性。

**讨论与结论**
本研究首次系统性地采用并评估了适用于IPDMA的混合效应2SRI方法。主要发现是，在存在中度至强未测量混杂且工具变量相关性足够强的情况下，混合效应2SRI能够有效减少估计偏差并提供有效的置信区间覆盖，但其代价是估计方差增加。研究强调了在朴素估计与基于IV的调整之间存在的固有偏差-方差权衡，选择哪种方法取决于具体情境和研究目标。

一个核心贡献是提出了在逻辑斯蒂混合效应模型中，使用实现的Wald χ²统计量作为工具相关性假设的实用诊断方法，弥补了经典F统计量不可用的空白。通过将实现的Wald χ²值与性能指标（偏差、方差、覆盖率、均方误差）联系起来，本研究为应用分析人员提供了可解释的决策辅助，帮助他们判断在特定的层次化生存IPDMA中，混合效应2SRI是否可能比朴素生存分析带来净收益。

研究人员指出，这些结论建立在治疗效应跨研究同质的假设之上。如果治疗效果存在异质性，混合效应2SRI的性能（包括其偏差-方差特征）可能会有所不同，这将是未来方法学研究的重要方向。此外，提供的Wald χ²参考范围是经验性的，可能随着IPDMA结构（研究数量、样本量）、数据生成机制和模型设定的变化而改变。因此，分析人员在实际应用中应报告其研究的实现Wald χ²值，参考本研究提供的性能梯度进行定位，并结合领域知识、有向无环图（DAG）论证以及其他敏感性分析来综合评估IV假设的合理性及2SRI结果的可靠性。

**总结而言，这项模拟研究表明，在共同效应数据生成机制下，混合效应2SRI将IV分析扩展至层次化生存IPDMA，当实现的第一阶段工具强度足够且未测量混杂较强时，其性能可优于朴素模型。Wald χ²统计量可作为此类非线性混合效应模型中评估工具相关性的实用诊断指标。**