非比例风险下平均危险的高效无偏学习

Cox 比例风险模型的危险比是治疗效应的常见总结指标。然而，在风险不成比例的情况下，危险比会失去稳定的因果解释，因而成为受随访时间和 censoring 权重影响的研究依赖性指标。我们考虑平均危险 (average hazard, AH) 作为替代因果估计量：它是一种人群层面的人时事件发生率，在不假设比例风险的前提下保持明确且可解释。虽然平均危险可非参数估计，且已提出回归式调整方法，但现有方法不提供面向灵活、 高维噪声估计的通用框架，亦无法实现 $\sqrt{n}$ 推断的有效推断。我们通过构建半参数、双鲁棒框架来进行协变量调整的平均危险估计，填补了这一空白。我们建立了 AH 在非参数模型中的路径可微性，推导其有效影响函数，并构建交叉拟合的、无偏的估计器，利用机器学习进行噪声估计，同时保持渐近正态、 $\sqrt{n}$ 一致的推断，在温和的乘积率条件下实现。模拟实验表明，所提估计器在比例与非比例风险设置下均实现小偏差和接近名义置信区间覆盖率，包括横跨风险 (crossing-hazards) 的情形，其中基于 Cox 的汇总指标会不稳定。我们通过使用 SEER-Medicare 链接数据比较 advanced 黑色瘤的免疫治疗方案，展示了实际应用价值。