暴露对象和混杂因子测量误差下的因果推断改进：一种新方法及其在空气污染暴露评估和流行病学中的应用

当暴露测量误差(EME)、混杂因子测量误差(CME)或两者同时存在时，关于暴露混合物和关键暴露时间窗的健康效应估计可能不代表真实效应。例如，在空气污染流行病学中，针对多个空气污染物和气象因素的模型化估计可作为暴露对象和混杂因子的替代品。针对同时处理 EME 和 CME 的方法仍未得到充分研究。我们发展了一个两阶段因果效应建模框架，以解决 EME 和 CME，估计平均暴露/治疗效应(AEE)。我们确定了在线性或非线性潜在结果模型下，AEE 在给定最小偏误条件下的可识别性。我们发展了一种新方法，称为多维回归校准(MRC)。该框架的第一阶段估计 MRC 模型。第二阶段使用校准后的变量进行 g 计算估计 AEE。仿真分析确认了偏差校正能力。作为一个应用，我们分析了空气污染与 Cook 县伊利诺伊州新冠病毒死亡率之间的关联。我们采用机器学习方法开发了 500m 网格化每日空气污染物和气象因素的估计，称为双 EME&CME 校正。使用滞后变量，3 周 O3 暴露在 70ppb 以下时，每增加一个四分位范围(22.7ppb)与新冠病毒死亡风险增加 135.3%(95% CI: 68.4, 233.0)，与 PM2.5 暴露的效应相当，这与此前在 Cook 县报道的 3 周 O3 无关联性相矛盾。在低水平时，减少污染可能有助于防止新冠病毒导致的提前死亡。我们的新框架可同时解决多个协变量中的测量误差。