用于目标试验仿真的迭代时间分布匹配方法

《Current Opinion in Epidemiology and Public Health》：Iterative time distribution matching for target trial emulation

永恒时间偏倚（ITB）威胁观测性研究效度，传统方法如排除设计和时间依赖Cox模型存在偏差或依赖性强问题，新型PTDM和ITDM通过时间配对校正偏倚，ITDM保留队列完整性并提升因果效度，适用于真实世界证据研究。

　　

摘要 通俗语言总结

---

综述目的

“永生时间偏差”（Immortal Time Bias，ITB）是观察性研究中影响研究有效性的一个持续存在的威胁，尤其是在队列成员入组后开始接受治疗的情况下。尽管这一问题已被广泛认可，但目前可用的分析方法和基于设计的方法在假设、可行性以及对残余偏差或信息丢失的敏感性方面存在显著差异。随着越来越多地依赖对真实世界研究的模拟来为临床和政策决策提供依据，因此及时总结现有方法及其局限性，并评估那些能够在不损害队列完整性的前提下纠正ITB的新方法显得十分重要。

最新研究进展

最新文献显示，针对ITB的各种方法在效果上存在明显差异。简单的基线分配方法会系统性地扭曲治疗效果；而基于排除机制的设计和标志性分析方法则会产生不稳定的、依赖于研究设计的估计结果。时间依赖的Cox模型和克隆审查加权方法通常能够减轻偏差，但这些方法依赖于较强的建模假设。处方时间分布匹配（Prescription Time Distribution Matching，PTDM）虽然能够改善时间对齐性，但在伪治疗时间超过实际随访时间时会导致未接受治疗个体的数据被排除。迭代时间分布匹配（Iterative Time Distribution Matching，ITDM）作为PTDM的扩展，通过反复采样并在每个个体的有效风险期内对伪治疗时间进行限制，解决了这一问题，从而保留了更完整的队列数据并能够记录更多的事件。我们通过将每种方法应用于斯坦福心脏移植数据集来展示这些差异，说明了方法选择如何可能完全改变人们对一种救命干预措施效果的认识。

总结

解决ITB的最佳方式是通过符合目标研究设计原则的预先设计调整，而不仅仅是事后建模。ITDM提供了一种实用且稳健的替代方案，它既保持了队列的完整性，又提高了因果研究的有效性，从而在使用真实世界数据的临床研究中提供了更可靠的效果估计。