基于有向无环图解析随机对照试验中常见偏倚：从意向治疗效应到生理治疗效应的因果推断

　　本研究针对随机对照试验(RCT)中普遍存在的非依从性、破盲和脱落等问题，创新性地运用有向无环图(DAGs)系统分析了意向治疗效应(ITT)、总治疗效应和生理治疗效应(θphys)的识别条件。研究发现生理治疗效应作为自然直接效应(NDE)仅在完美依从性、无脱落且严格维持盲法的理想试验中可识别，为临床试验设计提供了重要的方法论指导。

　　

在医学研究的圣杯——随机对照试验(RCT)中，理想化的完美试验如同实验室里的独角兽，现实中却总被非依从性、意外破盲和患者脱落等问题困扰。这些"不完美"像迷雾般笼罩着因果推断的真相，使得研究者们常在数据分析中陷入"知道有问题却说不清问题在哪"的困境。Erin E. Gabriel等学者在《European Journal of Epidemiology》发表的这项研究，就像给临床试验设计者提供了一副X光眼镜，通过有向无环图(DAGs)的框架，清晰透视了各种试验缺陷对三类关键效应估计的影响机制。

研究团队采用因果图模型分析方法，重点考察了三种常见试验缺陷（非依从性、破盲和脱落）对三类效应估计（ITT效应、总治疗效应和生理治疗效应）的可识别性影响。通过构建系列DAGs模型，系统分析了不同试验场景下的变量间因果关系，并采用反事实框架严格定义了各效应参数。对于存在脱落的数据，研究还提出了基于忠实性假设的检验方法和非参数边界估计策略。

【完美依从性无脱落场景】

在理想盲法试验中，研究证实ITT效应与总治疗效应均可通过简单均值差识别。但生理治疗效应作为自然直接效应(NDE)，其识别需要额外假设——要求治疗对受试者和临床医生信念的影响被完全阻断。而在非盲试验中，即使完美依从，生理治疗效应也因存在非生理路径而不可识别。

【非依从性场景】

当存在非依从性时，随机分配变量Z可作为有效工具变量(IV)用于推断总治疗效应，但需要满足三条核心假设。研究特别指出，在非盲试验中，若分配方案直接影响结局（如不同随访安排），则Z不再满足IV假设，此时ITT分析结果可能完全无法反映真实治疗效果。

【脱落场景】

面对结局数据缺失，研究提出了基于忠实性假设的因果效应检验：若治疗与脱落独立(X⊥O_Y)，而治疗与观察到的结局相关(X⊥Y|O_Y=1)，则可推断存在真实治疗效应。此外，推导出了ITT效应的显式表达式和非参数边界，为敏感性分析提供了量化框架。

这项研究的重要价值在于为临床试验设计者和分析者提供了清晰的路线图：首先强调明确目标估计量（ITT、总效应或生理效应）的重要性；其次揭示不同试验缺陷对各估计量可识别性的差异化影响；最后提供实用的敏感性分析工具。特别是关于生理治疗效应的讨论，打破了"盲法试验结果就是纯生理效应"的常见误解，指出即使完美盲法，仍需额外假设才能识别生理效应。这些发现对提升临床试验的因果推断严谨性具有重要方法论意义，也为统计分析计划的制定提供了关键考量维度。