高维设定下估计时变暴露对二值结局的因果效应

近年来，在无 DAG 情况下的干预演算（IDA）方法被提出，用于从观察性高维数据估计因果效应的下界。该方法最初用于评估不随时间变化的基线生物标志物的效应。然而，在许多临床场景中，生物标志物在治疗暴露期间的固定时间点被重复测量，因此需要对该方法进行扩展。本文旨在将 IDA 的第一步——Peter Clarks（PC）算法——扩展到二值结局背景下的时变暴露。我们对 PC 算法进行了推广，以考虑暴露重复测量的时间顺序，并提议将 IDA 与我们新提出的版本——按时间排序的 PC 算法（COPC 算法）——结合使用。在将该方法应用于估计时变免疫学生物标志物对转移性黑色素瘤患者毒性、死亡和进展的因果效应之前，我们进行了模拟研究。模拟研究表明，使用 COPC 算法获得的已完成部分有向无环图（CPDAG）在结构上比使用 PC 算法获得的 CPDAG 更接近真实 CPDAG。此外，当基于 COPC 算法获得的 CPDAG 进行估计时，因果效应更为准确。而且，COPC 算法获得的 CPDAG 能够去除非时间顺序的箭头，即去除在时刻 t 测量的变量指向在时刻 t'（t'< t）测量的变量的箭头。在 COPC 算法获得的 CPDAG 中双向边较少，这支持了从这些 CPDAG 估计的因果效应变异性更小的事实。COPC 算法提供的 CPDAG 保留了数据中存在的时序结构，从而能够估计时变生物标志物因果效应的下界。