《JAMA-医学期刊上观察性研究干预效果的因果推断》文献翻译PART3

如果研究的目标是提供有关医疗或卫生政策干预效果的证据，那么研究问题最好明确地以因果关系的方式进行界定，在随访期间，针对特定目标人群，比较两种或更多明确定义的替代方案与明确定义的感兴趣的结果。

在陈述了因果问题之后，一个人可以指定一个量，如果知道的话，可以作为问题的答案;这个量是因果估计(例如，兴趣的因果效应)。因果估计的精确规范需要描述感兴趣的人群、要比较的干预措施或策略、结果定义的细节和确定结果的时间，以及效果测量的选择(例如，风险差异、相对风险)。因果估计可以使用数学因果模型(例如，密切相关的反事实、潜在结果或结构模型)正式指定。在许多情况下，说明书可以通过描述(假设的)目标试验来帮助解决研究问题。

收集新数据或使用现有数据的方法——包括在数据源中进行选择、对个体及其随访经验进行抽样、收集随时间推移的治疗协变量和结果信息——决定了数据是否可用于回答因果问题。例如，在比较不同治疗策略的队列研究中，随访开始时间(时间0)的选择以及该时间与确定合格性的时间的一致性可以影响观察性分析的有效性。更广泛地说，研究设计的关键目标是使因果假设更可信，并促进对因果估计的学习。

从观察性研究中得出因果推论需要因果假设，这允许研究者通过使用数据来了解因果估计。例如，许多观察性研究需要一个假设，即考虑到已经测量和解释的变量(通过研究设计或分析)，仍然没有不受控制的混淆。其他方法，如工具变量分析、差中差分析或回归不连续分析，需要不同的假设集。通常，因果假设是不可检验的，因为它们不能仅凭数据进行充分评估;相反，他们必须在背景知识的基础上进行审查(例如，治疗选择过程的临床知识)。

使用研究设计和因果假设，研究者可以确定观察数据的分析如何能够，至少在原则上(例如，假设，所有因果假设成立，抽样变异性缺失)，提供因果估计的信息。对观察到的数据原则上是否可以用来了解因果估计的正式检验被称为识别分析。在某些情况下，这些假设仅足以在因果估计周围设置界限。45,177-179大多数旨在利用观测数据估计因果估计的研究依赖于众所周知的识别策略(即先前识别分析的结果)180,181，并对数据应用统计方法进行估计和统计推断。我们在eText中对因果估计、识别分析以及数据和统计方法的使用之间的关系进行了更详细的描述;eFigure 1、eFigure 2、eFigure 3;以及附录中的例1和例2。

观察性研究的统计方法应具有良好的统计性能(例如，可接受的低偏倚，高精度)，并支持对不确定性的有效量化(例如，产生有效的ci)。在非实验研究中，使用数据和模型进行统计推断的挑战，如果有的话，是更加突出的此外，与缺失数据和测量误差相关的问题经常出现在观察性研究中，需要对缺失或测量误差的结构进行额外的假设(通常不能单独使用数据进行测试)，需要额外的数据(例如，验证研究)，需要专门的方法来解决这些问题并适当地量化不确定性。

用因果解释来评价观察分析结果的适当性，通常需要一些不可检验的假设。因此，确定这种解释是否站得住脚，需要根据背景知识和对研究背景的理解，以及多种证据来源，进行主观判断。这些判断可以通过对不同分析的结果进行三角测量(例如，使用不同的假设或其他数据源);在可能的情况下，试图用数据证伪因果假设(例如，负控制分析);以及定量偏倚/敏感性分析等方法来检验假设是否违反。

Dahabreh IJ, Bibbins-Domingo K. Causal Inference About the Effects of Interventions From Observational Studies in Medical Journals. JAMA. 2024 Jun 4;331(21):1845-1853. doi: 10.1001/jama.2024.7741. PMID: 38722735.