23、药物流行病学中的因果推断：从理论到实践

药物流行病学中的因果推断：从理论到实践

在药物流行病学研究中，准确推断因果关系对于理解药物疗效和安全性至关重要。本文将深入探讨因果推断的相关概念，包括有向无环图（DAG）的应用、随机实验和观察性研究的特点，以及如何利用大数据模拟目标试验。

1. DAG与可交换性假设

DAG是一种用于表示变量之间因果关系的图形工具。在分析中，我们需要根据以下规则判断路径是开放还是封闭：
1. 若没有条件变量，路径包含对撞机时被阻塞（封闭）。
2. 包含被条件化的非对撞机的路径被阻塞。
3. 被条件化的对撞机不会阻塞路径。
4. 有后代被条件化的对撞机不会阻塞路径。

当所有路径都被阻塞时，两个变量是d - 分离的，否则是d - 连接的。如果两个变量在给定某个其他变量L时是d - 分离的，那么它们在给定第三个变量的条件下是条件独立的。这对于识别因果效应所需的条件可交换性假设非常重要。

2. 随机实验

虽然药物流行病学常涉及回顾性观察性研究，但随机实验也有重要意义。随机实验可分为边际随机实验和条件随机实验。

2.1 边际随机实验

在边际随机实验中，治疗分配机制与潜在结果独立，即具有边际可交换性（Ya ⊥A）。当均值可交换性（E[Ya |A = 1]=E[Ya|A = 0]）和因果一致性成立时，因果效应可在观察数据中识别。

2.2 条件随机实验

在条件随机实验中，边际可交换性可能不成立，但可以假设在测量的协变量L条件下的可交换性（Ya ⊥A | L）。此时，因果效应可以通过以下公式计算：
[E[Y_a] = \sum_{l}