贝叶斯倾向评分方法在埃塞俄比亚北绍阿地区低出生体重研究中的因果推断应用

《Discover Public Health》：Bayesian propensity score approaches for balancing covariates associated with low birth weight in North Shoa Zone, Ethiopia

　　本研究针对观察性研究中协变量不平衡问题，创新性地采用贝叶斯倾向评分(BPS)方法，评估助产士主导的连续性照护(MLCC)对低出生体重(LBW)的因果效应。研究人员通过马尔可夫链蒙特卡洛(MCMC)算法和模拟研究验证，发现MLCC可使LBW风险降低24%(ATE: -2.39)，且贝叶斯方法比频率主义方法估计更精确(SE=0.875)。该研究为资源有限地区改善新生儿健康提供了方法论创新和实证支持。

　　

在全球范围内，低出生体重(Low Birth Weight, LBW)始终是影响新生儿健康的重要公共卫生问题。据世界卫生组织(WHO)统计，每年约有2000万新生儿出生体重不足2500克，这些脆弱婴儿面临独特的健康挑战。WHO设定了到2025年将LBW发生率降低30%的宏伟目标，但要实现这一目标，迫切需要有效的干预措施和精准的因果效应评估方法。

在资源有限的埃塞俄比亚北绍阿地区，这一问题尤为突出。传统观察性研究面临协变量不平衡的严峻挑战，使得助产士主导的连续性照护(Midwife-Led Continuity Care, MLCC)与其他专业照护模式的效果对比难以直接进行。当MLCC组与其他专业组在基线特征上存在系统性差异时，简单的比较会产生偏倚，导致因果推论不可靠。尽管倾向评分(Propensity Score, PS)方法已被广泛应用于解决此类问题，但传统的频率主义方法在处理小样本不确定性、整合先验知识等方面存在局限。

正是在这样的背景下，Wudneh Ketema Moges等研究人员在《Discover Public Health》上发表了创新性研究，将贝叶斯统计框架引入因果推断领域。他们开发了贝叶斯倾向评分(Bayesian Propensity Score, BPS)方法，通过马尔可夫链蒙特卡洛(Markov Chain Monte Carlo, MCMC)算法和因果自助法(Causal Bootstrapping)，在北绍阿地区的准实验环境中，精准评估了MLCC对LBW的因果效应。

研究方法上，该研究采用前瞻性非随机化（准实验）设计，于2019年8月至2020年9月在埃塞俄比亚北绍阿地区开展。研究纳入1166名孕妇，随机选择该地区4家主要医院（Shoa Robit、Ataye、Mehal Meda和Alem Ketema Enat医院）作为研究现场。关键方法包括：贝叶斯倾向评分分析，使用MCMC算法通过Metropolis-Hastings算法进行后验抽样；协变量平衡评估，采用绝对标准化均值差(Absolute Standardized Mean Difference, ASMD)和方差比衡量平衡效果；因果效应估计，计算平均处理效应(Average Treatment Effect, ATE)和处理组平均处理效应(Average Treatment Effect on the Treated, ATT)；模拟验证，通过10,000次自助样本验证方法稳健性；敏感性分析，检验不同先验分布和匹配方法对结果的影响。

协变量平衡评估

图1展示了匹配前后协变量平衡情况的显著改善。经过贝叶斯倾向评分调整后，绝大多数变量的绝对标准化均值差(ASMD)降至0.1以下，表明MLCC组与其他专业组在基线特征上达到了良好平衡。特别是全匹配(Full Matching)和最近邻匹配(Nearest-Neighbor Matching)两种方法都显著降低了协变量不平衡，为后续因果推断奠定了坚实基础。

贝叶斯与频率主义方法比较

模拟研究结果显示，贝叶斯方法在参数估计精度上显著优于传统频率主义方法。贝叶斯最近邻匹配的ATE估计值为2.065(SE=0.815)，而频率主义方法为2.156(SE=0.86)。更重要的是，贝叶斯方法的方差比更接近理想值1(贝叶斯1.025 vs 频率主义1.034)，表明其在控制估计变异方面的优势。加权方法的比较也呈现类似模式，进一步验证了贝叶斯框架在处理因果推断问题的稳健性。

低出生体重的关键影响因素

贝叶斯回归模型识别出多个与LBW显著相关的因素。经济收入(系数=0.0611，AOR=1.063)、流产史(系数=0.149，AOR=1.1607)、既往手术史(系数=0.9877，AOR=2.685)等因素显著增加LBW风险。而紧急剖宫产(系数=-2.040，AOR=0.1301)、营养状况(系数=-1.791，AOR=0.1668)等因素则具有保护作用。特别值得注意的是，宫高(系数=2.432，AOR=11.49)是LBW的强预测因子，提示胎儿生长监测在产前保健中的重要性。

处理效应估计与敏感性分析

反事实估计结果显示，MLCC可使LBW风险降低24%(ATE: -2.39，95% CI: -12.4 to 7.63)。敏感性分析证实了结果的稳健性，不同先验分布设定下，关键变量如经济收入(AOR=1.063，CI:1.046-1.1468)和流产史(AOR=1.16067，CI:1.0018-1.039)的调整优势比保持稳定。同样，紧急剖宫产(AOR=0.1301，CI:0.09355-0.18706)和叶酸摄入(AOR=2.7896，CI:1.1677-3.4683)的效应估计在不同匹配方法间也表现一致。

研究结论表明，贝叶斯倾向评分方法通过有效平衡协变量和整合不确定性，为准实验研究中的因果推断提供了更可靠的框架。MLCC显示出降低LBW风险的潜力，特别是在有流产史、高血压或营养不良的高危孕妇群体中效果更为明显。该研究的方法学创新不仅为资源有限地区的母婴健康干预提供了实证支持，也为观察性研究中的因果推断设立了新标准。

讨论部分强调，尽管贝叶斯方法存在计算复杂度高的挑战，但通过采用更高效的算法（如哈密尔顿蒙特卡洛）和现代计算工具（如Stan），可以显著提升其在实际应用中的可行性。未来研究可探索将机器学习技术与贝叶斯推理相结合，进一步增强因果效应估计的准确性和可解释性。此外，在埃塞俄比亚等资源有限地区，通过培训社区健康工作者来扩展MLCC的可及性，可能是实现可持续发展目标(Sustainable Development Goals, SDGs)中母婴健康指标的重要策略。