靶向最大似然估计在公共卫生与流行病学研究中的应用：系统综述

靶向最大似然估计（TMLE）统计数据分析框架集成了机器学习、统计理论与统计推断，为各类统计与因果参数的估计和推断提供了一种偏差最小、高效且稳健的策略。我们描述并评估了受益于近期方法学发展的流行病学应用。我们在 PubMed 中进行了系统性文献检索，以纳入在观察性研究中应用任意形式 TMLE 的文章。我们总结了随时间变化的流行病学学科、地理位置、作者专长以及 TMLE 方法。我们使用靶向学习与因果推断路线图来提取这些文献的关键方法学方面。我们展示了这些 TMLE 结果对文献的贡献。在纳入的 81 篇文献中，25% 源自加州大学伯克利分校，该框架由 Mark van der Laan 教授首次提出。截至 2022 年上半年，70% 的文献源自美国以外，并在 2021–22 年探讨了多达 7 种不同的流行病学学科。双重稳健性、偏差减小与模型误设定是吸引研究者转向 TMLE 框架的主要动机。随着时间推移，大量方法学、教程及特定软件文章被引用，这归因于围绕 TMLE 的方法学发展持续增长。TMLE 框架向各流行病学学科及越来越多地理区域的传播趋势明显。R 包的可用性、教程论文的发表以及方法学专家在应用文献中的参与，促使理解并采用 TMLE 益处的研究数量呈指数增长。