26、药物流行病学中的因果推断：方法与应用

药物流行病学中的因果推断：方法与应用

1. 时变因素下的生存与风险估计

在医学研究中，准确评估治疗与结果之间的因果关系至关重要。以接受手术的患者为例，在随访期间开始使用新的抗焦虑药物（如苯二氮卓类）是阿片类药物依赖的风险因素，它能预测后续的阿片类药物治疗，并且受先前治疗的影响。在这种情况下，IP加权Cox模型适用于研究时变阿片类药物治疗对阿片类药物依赖的影响，同时调整时变的抗焦虑药物当前使用情况。

然而，风险比在应用中存在一些问题：
- 时变性 ：由于风险随时间变化，风险比也会随时间变化。在许多报告生存分析的论文中，通常只报告一个单一的风险比，它是特定时间风险比的加权平均值，这往往难以解释。而生存和风险通常是在随访的特定时间呈现的。
- 因果解释不直接 ：即使呈现特定时间的风险比，其因果解释也不直接。时间k + 1的风险比是以存活到时间k为条件的，这可能会导致选择偏倚。

为了克服这些局限性，可以通过估计每个时间m的风险，然后累积相乘直到感兴趣的生存时间k来估计生存函数。可以使用非参数方法或参数逻辑回归模型来估计每个离散时间的治疗A的风险。

2. 时变暴露的分析

考虑一个二元时变治疗或暴露，用$A_k$表示，在每个时间$k$（$k = 0, \cdots, K$），它可以取值0（未暴露）或1（暴露）。感兴趣的健康结果$Y$在研究开始后的时间$K + 1$进行测量。

如果结果仅取决于先前时间的暴露，我们用$Y_{a_k}$表示时间$K + 1$的潜在结果。暴露历史表示为$A_k = {A_0, A_1, \cdots, A_k