横断面研究能否进行因果推断

基于变量调查(或测量)的共时性、统计学关联及幸存者偏倚等原因,横断面研究被认为不能进行因果推断,这是当前的"共识"。本文基于因果思维,借助因果图,首先明确定义真实截面和测量截面,并识别截面概念仅存在于理论的特性。实际横断面研究中,测量变量的共时性并不存在,而是无一例外地表现为非共时性时序,其实质上相当于测量变量间互为独立性假设,或不存在有差别错分偏倚。类似于累积病例对照研究和历史性队列研究,横断面研究均为暴露和结局已存在或发生后进行的测量,这种测量相当于对变量值的历史重建或"考古"。这类研究进行因果推断的共性前提条件之一是,测量变量与其历史变量间必须存在着因果律。测量变量均为真实变量的替代者,测量变量间的时序在因果推断上并不重要。应加强对横断面研究分析性角色的认识。     

因果思维在效应估计若干问题中的应用

流行病学是研究同质群体中“异乎寻常”的现象及其发生原因的一门科学。本文以因果思维结合其图形工具——有向无环图,围绕效应估计的若干问题——效应与关联的关系、变量及其测量版间的时序关系、动态人群自然图景、易感人群的形成、研究人群的选择、协变量和病例类型对效应估计的影响等方面,考察这种思维如何帮助我们重新认识流行病学理论、方法及应用。应加强对因果思维的认识。     

孟德尔随机化法在因果推断中的应用

孟德尔随机化（Mendelian Randomization,MR）研究设计,遵循“亲代等位基因随机分配给子代”的孟德尔遗传规律,如果基因型决定表型,基因型通过表型而与疾病发生关联,因此可以使用基因型作为工具变量来推断表型与疾病之间的关联。近年来,MR的研究设计随着统计学方法、大样本GWAS数据、表观遗传学以及各种“组学”技术的不断发展,在探讨复杂暴露因素与疾病结局因果关联中应用日益广泛。本文对近年来出现的MR研究设计策略、可靠性评价及局限性进行介绍。     

健康指数指标筛选的因果推断方法

健康指数体系的构建与发展对于推动健康中国目标的实现具有重要的战略意义。从现实世界数据入手,通过一系列的因果推断方法,筛选和确定对健康/疾病结局具有确凿因果关系且可干预的健康指数指标,从而为健康/疾病管理提供更贴近实践、更有价值的现实世界证据是至关重要的。本文针对健康指数构建的循证医学需求,介绍了目前常用的现实世界研究中人群水平评估的因果推断方法,为健康指数指标筛选提供方法支撑。     

基于约束的混合类型数据因果推断方法构建研究

目的 构建适用于含隐变量混合数据类型的因果推断方法,通过模拟研究评估方法的效果,为观察性数据的因果结构研究提供依据。方法 基于约束的FCI-stable结构学习方法,结合条件高斯独立性检验,建立适用于含隐变量混合数据类型的因果推断算法框架。利用Tetrad 6.9.0生成含隐变量的混合类型模拟数据,模拟研究设置不同的离散型数据占比、隐变量占比、网络节点数量及样本量;将FCI_cg方法与基于约束的FCI_chi-square、FCI_dg、FCIF_fisher-z、FCI_kci及FCI_mrcit五种方法进行比较,采用F1 Score和马修斯相关系数(matthews correlation coefficient, MCC)对因果结构识别效果进行评估。结果 本研究建立了适用于含隐变量混合数据类型的因果推断方法FCI_cg,该方法可用于从观察性数据中学习变量间的因果结构。模拟结果表明,在不同离散型数据占比下,除FCI_{chi-square...}     

臀围与冠心病的因果推断——孟德尔随机化分析

目的采用孟德尔随机化方法探索调整体质指数的臀围与冠心病患病风险的因果关系。方法利用大样本全基因组关联研究数据,从人体测量特征基因研究(GIANT)数据库(211 114名欧洲人)中筛选出与臀围密切相关且相互独立的遗传位点,进而在冠心病全基因重复验证与Meta分析合作组(CARDIoGRAM)数据库(86 995名欧洲人)中选出对应的遗传位点,确定工具变量,通过逆方差加权法的两样本孟德尔随机化方法,以OR值反映臀围与冠心病的因果关系。结果共筛选出70个单核苷酸多态性(SNP)作为工具变量,逆方差加权法结果表明,臀围每增加1倍标准差,冠心病的风险降低16.9%(OR=0.831,95%CI 0.730～0.946);MR-Egger回归截距表明遗传多效性不会对结果造成偏倚(截距为-0.0012,P=0.875);"leave-one-out"分析未发现非特异性SNP。结论臀围增加会降低冠心病的患病风险。     

高维情况下基于倾向性评分的因果推断方法

目的 观察性研究中使用倾向性评分法估计因果效应依赖于不存在未测量混杂假设.随着大数据时代的到来,越来越多的处理前协变量可被测量并纳入分析中,使得这一假设更合理,但同时也导致标准的倾向性评分法不再适用,这就促使了高维情况下因果推断方法的发展.本研究对现有的高维情况下基于倾向性评分的因果推断方法进行概述,为实际应用提供参考...     

交互作用的统计推断

假若因果推断关心的是仅仅一个风险因素对响应的因果作用的话 ,那么通过随机化试验或者通过控制混杂因素来消除混杂偏倚 ,就可以得到平均因果作用[1] 。如果因果推断包含两个或多个风险因素的话 ,除了每个因素的平均因果作用之外 ,还存在着多个风险因素之间相互的交互作用。如果研究因果意义上的交互作用 ,那么 ,同样需要进行随机化试验 ,或者控制混杂因素消除混杂偏倚。交互作用分析可以看作是多风险因素的因果推断。在流行病学研究中 ,“交互作用”是关于多风险因素分析的常用术语 ,但是 ,它被用于表示各种不同的概念。Ｒｏｔｈｍａｎ ,Ｇ…     

孟德尔随机化研究应用于因果推断的影响因素及其结果解读面临的挑战

孟德尔随机化（Mendelian randomization,MR）研究使用遗传变异作为工具变量,推断暴露因素与结局之间的因果关系,能够有效克服混杂和反向因果问题所导致的偏倚。然而,MR研究中的工具变量须满足关联性、独立性和排他性3个核心假设。即使核心假设成立,MR研究在因果推断中的应用还受到其他局限性的影响。此外,MR研究结果的解读需要基于综合证据。本文将围绕MR研究应用于因果推断的影响因素和研究结果的解读进行综述,以期为MR研究结果应用提供指导。     

因果图模型及其在营养流行病学研究中的应用

不良饮食是慢性非传染性疾病最重要的可控危险因素之一,但通过随机对照试验定量阐明具体饮食因素与健康结局的因果关联面临很多困难。近年来,因果推断的迅速发展为充分利用和发掘观察性研究数据,产生高质量的营养流行病学研究证据提供了有力的理论和方法工具。其中,因果图模型通过整合大量先验知识将复杂的因果关系系统可视化,提供了识别混杂和确定因果效应估计策略的基础框架,基于不同的因果图,可选择调整混杂、工具变量或中介分析等不同的分析策略。本文对因果图模型的思想和各种分析策略的特点及其在营养流行病学研究中的应用进行介绍,旨在促进因果图模型在营养领域的应用,为后续研究提供参考和建议。     

Nonrandomized quality improvement intervention trials might overstate the strength of causal inference of their findings

ObjectiveTo assess the strength of causal inferences reported in randomized and nonrandomized evaluations of quality improvement (QI) interventions in relation to the study design and the direction of results for the primary outcomes.Study Design and SettingWe searched 11 journals for QI intervention studies that aimed to change clinician behavior. Statements that addressed the causal inference between intervention and outcomes were extracted and were rated by 34 researchers for the strength of causality.ResultsWe found 38 randomized controlled trials (RCTs) and 35 non-RCTs, and extracted 68 quotes from the abstracts and 139 from the main text. A significant interaction was found between study design and direction of results for the abstract quotes (P = 0.022). The ratings for non-RCTs were higher when the results were mixed, but for RCTs, they were higher if the results were positive or no effect, although none of the differences were statistically significant at α = 0.05 after adjusting for multiple comparisons. For the main text quotes, the causality rating was higher by 0.43 for RCTs than for non-RCTs after adjusting for the direction of results (P < 0.001).ConclusionAuthors might have overstated the strength of causal inference in the abstracts of non-RCTs, but appeared to report causality appropriately in the main text.     

分布式循证因果数据融合方法进展

为了实现大样本量和多样化的研究人群分析,整合来自多个异质来源的数据库已经变得越来越流行。本文综述了整合多个不同人群下的不同设计的数据库在因果推理方法方面的进展。尤其是随机临床试验与外部信息相结合的研究进展以及将观察性研究和历史对照相结合的方法。此外,针对单一样本缺乏相关混杂变量信息,也可以应用两样本孟德尔随机化方法控制未知的混杂因素从而推断因果关系。这种分布式数据设计具有有效性和真实世界数据研究的安全性。     

病因推断的远征者: 罗伯特·科赫

19世纪的德国医生罗伯特·科赫（Robert Koch,1843―1910）是世界病原细菌学的奠基人和开拓者,也是流行病学病因推断的远征者。他开创了结核杆菌染色、固体培养基、显微摄影术以及细菌显微镜术等,奠定了微生物学的基础;他先后发现炭疽杆菌、伤寒杆菌、结核杆菌和霍乱弧菌等百余种细菌,拨开了未知病因疾病的神秘面纱;单病因生物特异病因学说和科赫法则的面世,开启了病因推断的“黄金时代”。     

两样本孟德尔随机化研究肾功能对骨质疏松症的因果关系

目的 采用两样本孟德尔随机化方法研究肾功能对骨质疏松症的因果关系。方法 对全基因关联研究(GWAS)的汇总数据进行分析。eGFR和OP的GWAS汇总数据来源于东亚。eGFR数据共包含143 658例样本,OP数据一共212 453例样本。利用与肾功能(以eGFR衡量)密切关联的单核苷酸多态性作为工具变量,分别用逆方差加权法、MR-Egger回归和加权中位数法行两样本孟德尔随机化分析,以OR值评价肾功能对骨质疏松症风险的因果关系。结果 共纳入66个单核苷酸多态性作为工具变量,MR-Egger回归结果表明不存在基因的水平多效性(P=0.449)。逆方差加权法结果显示eGFR的降低可增加患骨质疏松症的风险,对数变换后的eGFR每降低一个标准差,会导致骨质疏松的风险增加24%(OR=1.24, 95%CI:1.05～1.46)。结论 肾功能降低对骨质疏松症的发生可能存在因果关联。     

On the use of discrete choice models for causal inference

Methodology for causal inference based on propensity scores has been developed and popularized in the last two decades. However, the majority of the methodology has concentrated on binary treatments. Only recently have these methods been extended to settings with multi-valued treatments. We propose a number of discrete choice models for estimating the propensity scores. The models differ in terms of flexibility with respect to potential correlation between treatments, and, in turn, the accuracy of the estimated propensity scores. We present the effects of discrete choice models used on performance of the causal estimators through a Monte Carlo study. We also illustrate the use of discrete choice models to estimate the effect of antipsychotic drug use on the risk of diabetes in a cohort of adults with schizophrenia.     

Matching algorithms for causal inference with multiple treatments

Randomized clinical trials are ideal for estimating causal effects, because the distributions of background covariates are similar in expectation across treatment groups. When estimating causal effects using observational data, matching is a commonly used method to replicate the covariate balance achieved in a randomized clinical trial. Matching algorithms have a rich history dating back to the mid-1900s but have been used mostly to estimate causal effects between two treatment groups. When there are more than two treatments, estimating causal effects requires additional assumptions and techniques. We propose several novel matching algorithms that address the drawbacks of the current methods, and we use simulations to compare current and new methods. All of the methods display improved covariate balance in the matched sets relative to the prematched cohorts. In addition, we provide advice to investigators on which matching algorithms are preferred for different covariate distributions.