编辑推荐：
本综述聚焦观察性研究（OS）在电子健康记录（EHR）及真实世界数据（RWD）中的核心陷阱：混杂（Confounding）、碰撞（Collider）与选择偏倚、时依混杂（Time-varying confounding）、测量误差（Measurement error）及生存分析误区（Immortal time bias, Competing risks）。旨在为临床医生提供一份规避因果推断谬误的“排雷”指南。
Introduction
当随机对照试验（RCT）因伦理、成本或时效性无法实施时，观察性研究（Observational studies）便成了理解疾病模式与治疗结局的关键替代方案。特别是在罕见病、长期安全性评估及紧急临床场景中，其价值无可替代。然而，随着电子健康记录（EHR）、注册库及医保索赔等“真实世界数据（RWD）”的普及，系统误差（Systematic errors）的风险也随之激增。本文旨在“排雷”，重点剖析那些足以颠覆研究结论的常见方法学陷阱。
Confounding and causal structures
混杂（Confounding）是观察性研究的头号天敌。它发生在某个“第三者”变量（混杂因子）同时与暴露（Exposure）和结局（Outcome）相关联时，从而制造出虚假的因果假象（或掩盖真实效应）。
判定与应对
一个变量要成为混杂因子，必须满足三要素：
- 1.
与结局相关；
- 2.
与暴露相关；
- 3.
不在暴露→结局的因果路径上（即非中介变量）。
虽然多元回归、倾向评分匹配（Propensity score matching）等统计调整手段是常规武器，但残余混杂（Residual confounding）——由未测量或测量不佳的变量引起——往往是无法完全消除的“幽灵”。
因果图的降维打击
有向无环图（DAG, Directed Acyclic Graph）是厘清因果关系的“导航地图”。它能直观展示变量间的逻辑（如谁是因、谁是果），帮助研究者识别真正的混杂因子（需调整）并避开陷阱。
?? 两大调整误区：
- •
调整中介变量（Mediator）：若变量M在暴露E导致结局O的路径上（E→M→O），调整M会阻断真实因果路径，导致低估总效应。
- •
调整碰撞点（Collider）：详见下文，这会人为制造虚假关联。
“因果谬误（Fallacy）”警示：切勿将模型中协变量（如混杂因子或中介变量）的效应估计值，与主要暴露的效应混为一谈，它们的因果解释截然不同。
Selection and collider bias
选择偏倚：样本失真
当研究样本无法代表目标人群时，选择偏倚便产生了。例如，仅从三甲医院招募的患者往往病情更重、合并症更多，由此得出的疗效估计在社区人群中可能严重失真。此外，失访（Attrition）若与不良预后相关，留下的“健康幸存者”样本也会扭曲真相。
碰撞偏倚： conditioning 出来的假信号
碰撞偏倚（Collider bias）是更为隐蔽的“魔术手”。当一个变量（碰撞点，Collider）同时受到暴露和结局的影响，且你对其进行了条件限制（Conditioning）（无论是通过筛选样本还是统计调整），就会在暴露与结局之间人为“撬开”一条非因果的虚假通路。
经典场景：在EHR研究中，若以“医疗资源利用”作为入组标准（碰撞点），而该行为同时受“疾病严重度”和“社会经济地位”影响，那么 conditioning 后，可能会在收入与健康之间产生荒谬的虚假关联。
避坑清单：在建模前，务必用DAG审视：样本代表性如何？入排标准是否同时关联暴露与结局？是否误调了由暴露和结局共同导致的变量？
Time-varying confounding
在纵向研究中，时依混杂（Time-varying confounding）是复杂度极高的挑战。它指那些随时间变化、且本身受既往治疗影响的混杂因素。此时，该变量身兼二职：既是后续治疗的混杂因子，又是既往治疗的中介变量。
传统回归的失效：标准回归模型无法处理这种“既混又介”的双重身份，会导致估计偏倚。
进阶武器库：
- •
边际结构模型（MSM, Marginal structural models）：利用逆概率加权（IPW, Inverse probability weighting）重新构建一个“伪人群”，模拟随机化场景。
- •
序列条件均值模型（SCMM, Sequential conditional mean models）：通过精细调整既往暴露、结局和协变量的历史来估计总效应。
核心建议：一旦涉及“治疗影响未来混杂因子”的动态场景，请果断放弃传统回归，转向MSM或SCMM。
Measurement errors and misclassification
真实世界数据中，测量误差无处不在，其影响绝非总是“向零靠拢”那么简单。
定义与分类
- •
测量误差：观测值与真值的差异（连续变量）。
- •
错误分类：对象被划入错误的类别（分类变量）。
- •
非差异性（Nondifferential）：通常（但非绝对）使效应估计衰减（Attenuate），即偏向无效值（Null）。
- •
差异性（Differential）：可导致估计偏向或远离无效值，甚至制造出完全虚假的关联。
源头治理
- 1.
病例定义（Case definition）：在EHR/索赔数据中，必须使用经过验证的算法（结合诊断码、用药、化验），并设定足够的回顾期（Lookback period，如5-10年），以区分新发病例与现患病例，避免左截断（Left-censoring）问题。
- 2.
暴露测量误差：强混杂因子即使存在微小误差，也会导致严重的残余混杂。
- 3.
结局错误分类：在药物流行病学中，即使是轻微的结局误判，也可能大幅扭曲风险比。死亡结局的算法准确性尤为关键。
- 4.
协变量测量误差：会破坏倾向评分平衡，需通过回归校准（Regression calibration）、贝叶斯方法或阴性对照校准（Negative-control assisted calibration）进行校正。
竞争风险（Competing risks）的陷阱
当存在竞争事件（如研究心血管事件时，患者因车祸死亡）时，若将其简单当作随机删失（Censoring）处理（如使用Kaplan-Meier或Cox模型），会严重高估目标事件的累积发生率。正确的做法是采用竞争风险模型（如Fine-Gray模型），承认“机会已被剥夺”的事实。
Time-to-event pitfalls
时间事件分析（生存分析）是偏倚的重灾区，任何时间定义（Time zero）、暴露窗、协变量时点的错位都可能导致悖论性结果。
永生时间偏倚（Immortal time bias, ITB）
ITB是观察性研究中最经典的“幻觉制造机”。它发生在暴露定义时间晚于观察起点时。从入组到接受暴露的这段间隔被称为“永生时间”——因为患者必须活着（未发生结局）才能熬到接受暴露的那一刻。
后果：人为地赋予了暴露组一段“绝对不会死亡”的虚假生存优势，导致严重高估治疗获益或生存率。
解决方案：严格界定时间零点（Time zero），确保暴露状态在随访开始时或随时间更新（Time-varying exposure），而非基于未来事件进行分组。
