07归因分析.

归因分析北大医院心脑血管病临床研究平台陶庄2013-10医学的使命•寻找病因•寻找治疗病因的手段对原因进行研究的两个范畴•哲学层面–因果的机制（mechanismofcause）•统计学层面–因果的效应（causaleffect）什么是原因Aristotle（AD384-AD322）的“四因说”•“质料因（thematerialcause）”•“形式因（theformalcause）”•“动力因（theefficientcause）”•“目的因（thefinalcause）”“那个使被动者运动的事物，引起变化者变化的事物。”Suppes（1922-）APBAPAPBAP||•如果B的存在导致A发生的概率增大（或减小），则可称B是A的原因（cause）。Granger（1935-2009）•如果B的存在导致A发生的概率增大（或减小），则可称B是A的原因（cause）。nnnnnYXFXF||11观测性等价（Observationalequivalence）•按Bayes公式推导如果P(B|A)P(B)成立，则P(A|B)P(A)一定成立。•也就是说：•如果A是B的原因，则必然可以推导出B是A的原因。初步证据的因果性（primafaciecausality）•“最近的一些作者因为缺少对原始文献的阅读，很多应用都是不恰当的，就象一个聚会中的传言一样，以讹传讹，最后与初始的东西面目全非。”——Granger（1980）小插曲——•causaleffect（因果效应）•gain（天赋）对原因的研究研究原因（归因）的两类方法•直接分类研究（categoricalattribution）•反事实分析（counterfactualanalysis）反事实（counterfactual）分析“IfAhadoccurred,Cwouldhaveoccurred.”Rubin反事实模型（Rubin’sCounterfactualModel）•原因E的效应（causaleffect）被定义为：对一个特定的个体u来说，在特定时间内，接受E或C所带来的效果指标Y的不同。设y（E）是个体u接受E后测得的效果，y（C）是个体u接受C测得的效果，那么原因E的效果就可表示为：CyEyNiiiCyEyNACE2121因果推断的基本问题（FundamentalProblemofCausalInference）•对于每一个个体u来说，如果他被置于E组，那么他就绝不会同时再被置于C组；•当然，这个个体也就不能在同一时间观察到两种不同处理的结果。•所以……至少其中一组不是真实存在的！•所以……必须寻找合适的u的替代！反事实分析的最根本的条件•接受不同处理的两组个体，除处理因素（E和C）外，其它各种情况应该一样。•扩展来说，就是这两组样本所代表的总体应该是同一的（homogeneous）。其余条件不变（ceterisparibus）的概念——也就是保持其它（相关的）因素固定不变，是建立因果关系（causalrelationship）的核心。原因对照（causalcontrast）•如果R1=A1/B1和R0=A0/B0分别为实际人群与虚拟人群的发病率，那么此时可以定义一个R1和R0的原因对照（causalcontrast）：001101//BABARRRR原因目标人群的替代反事实（counterfactual）替代001100101///FEBAFERRRRR的替代对关联反事实理论模型的内涵（1）•对效应测量指标的选择和解释，即只有上述的原因对照指标（即RR，RD）对病因的推断才有意义，而其它的统计量，如P值，χ2值不能说明病因的问题，而RR原因或RD原因的意义十分清晰，可以认为是暴露因素在分布水平1和0间的“净”（net）改变。•反事实理论模型给病因推断提供了一个通用的框架，不仅可以用于随机试验，同样可以用于观察性研究。•在应用中，使用反事实，需要注意混杂因素（confounder）造成的影响，这主要表现在，所选择的替代人群与目标人群不在某些影响因果关系的方面不齐同，那么此时就会发生混杂（confounding）000000110011//////FEBABABAFEBARRRR原因关联反事实理论模型的内涵（2）•在一个人群得到的RR或RD，一般情况下与另一个人群得到的不同。•对同一个问题的不同研究，其RR或RD一般也不会一致（consistency），此时可使用Meta分析等方法进行综合处理。•可以使用敏感性分析等方法对混杂带来偏倚（bias）进行估计。•使用倾向分（propensityscore）等方法增加可比性。反事实理论模型的内涵（3）因果联系间的时间累积效应时间累积效应TTTTdxLtxfRRtxRR00|部分可能的时间累积函数（1）•RR的累积效应仅依赖于目前的暴露与过去无关。比如疫苗的注射引起的不良反应，意外伤害等。TxRRtxRRTtxfTT0|01其它部分可能的时间累积函数（2）•RR的累积效应在各时间点恒定。比如某些致癌因素等。TTTTdxtxRRtxRRxf00|1部分可能的时间累积函数（3）•RR的累积效应与现在和过去的暴露都有关，关键是过去效应的持续时间K，而效应是线性递减的。比如降低血压后对某些致癌因素的保护效应等。TTTTdxtxKKTtRRtxRRKTtKxf00|01其它部分可能的时间累积函数（4）•RR的累积效应与现在和过去的暴露都有关，关键是过去效应的持续时间K，而效应是指数递减的。比如降低血压后对某些致癌因素的保护效应等。TTTtTTTtdxtxeRRtxRRexf00|某原因在总体效应中的贡献率归因分值（Attributablefraction，AF）111RRPRRPAF反事实场景（counterfactualscenario）关于AF的例子0.9190.51190.51)-p(RR11)-p(RRPAF多级暴露水平•生理学风险因子（Physiologicalriskfactors），如血压，血脂等，其暴露-反应曲线为J型或U型；•行为风险因子（Behavioural），如吸烟，水果蔬菜摄入量，其暴露-反应曲线为J型或单调上升；•环境风险因子（Environmentalriskfactors），其暴露-反应曲线为单调上升；•社会学“风险因子”（Socioeconomic“riskfactors”），如收入，形态更加复杂。不同的剂量—反应曲线niiiniiiRRPRRPPAF11111人群归因分值（Populationattributablefraction，PAF）反事实场景（counterfactualscenario）潜在影响分值（Potentialimpactfraction，PIF）.'000mxmxmxdxxPxRRdxxPxRRdxxPxRRPIF反事实场景（counterfactualscenario）关于PIF的例子（1）•研究某地区腹泻死亡归因于水、卫生设施和卫生饮用因素的研究。现实情况为：–现实场景1：该地区有卫生设施且安全饮用的地区占68%，其相应的RR=6.9；–现实场景2：该地区有卫生设施但没有安全饮用的地区占7%，其相应的RR=8.7；–现实场景3：该地区没有卫生设施且没有安全饮用的地区占25%，其相应的RR=11。•其反事实场景为：场景1占95%，场景2占5%。关于PIF的例子（2）%18.13051.899.6051.811%257.8%79.6%687.8%59.6%9511%257.8%79.6%68'111niiiniiiniiiRRPRRPRRPPIF可归因的危害（Attributedharms）•死亡率或发病率：AM=PIF×M（死亡率）•负担：AB=PIF×B（疾病负担：如YPLL）•成本：AC=PIF×C（成本）•（不同的项目对应不同的PIF，一般不同）可避免的危害•如果控制了以前相应的危险因素后，现在可以避免的危害，称可归因（attributed）。•如果控制了现在相应的危险因素后，将来可以避免的危害，称可避免（avoidable）。