从统计方法和深度学习角度评估心力衰竭目标试验模拟中的偏差问题

《Nature Communications》：Evaluating bias in target trial emulation for heart failure across statistical and deep learning methods

　　

摘要

目标试验模拟方法被越来越多地用于从观察性数据中进行因果推断，但该方法仍易受治疗指征带来的混杂因素影响，而且目前尚不清楚先进的调整方法能否有效消除这种偏差。我们利用临床实践研究数据链接Aurum平台，模拟了β受体阻滞剂（阳性对照）和地高辛（阴性对照）与常规治疗相比，在射血分数降低的心力衰竭患者中的两年全因死亡率差异。我们采用了四种调整策略：倾向评分匹配、治疗概率倒数加权、目标最大似然估计以及基于Transformer的深度学习方法。然而没有一种方法能够得到随机对照试验的结果——所有方法都表明β受体阻滞剂具有中性或有害作用，而地高辛则会提高死亡率。在半合成模拟中，当存在混杂因素时所有方法都能得出正确结果，但在真实世界数据中则无法做到。即便采用先进的调整方法，当混杂因素较为严重时，目标试验模拟方法也可能无法得到与试验相当的估计值；因此，对于临床决策和政策制定而言，随机化试验的证据仍然至关重要。