← 返回 PaperDaily
大模型与智能体
临床试验精度提升21%！宾大新方法让次要终点也来“搭把手”
随机试验中基线协变量调整是提精度的标准操作，这篇文章更进一步：把次要终点也拉进来“借力”，在烟草试验里比单纯协变量调整又多挤出了13%的精度。核心是用结构方程模型加模型平均，把效率和稳健性这对冤家给暂时劝和了。适合做临床试验统计、生物统计和因果推断的朋友读，方法扩展思路很有参考价值。
龙哥读论文
发布于 2026-09-12 16:53:31
阅读 1
查看原文
原论文信息如下：
临床试验效率提升的双重困境 随机对照试验（RCT）是评价干预措施因果效应的金标准，但它的痛点也很明显：贵、慢、难招人。就算一个试验最终的主要分析有足够的检验效能，在中期分析、临床亚组或者罕见结局面前，信息量往往还是捉襟见肘。罕见病试验更惨，招募限制可能让主要分析本身都撑不起足够的把握度。
为了在有限的样本里多榨出一些统计效率，学界琢磨出了两条技术路线。第一条是基线协变量调整
但是协变量调整有个天然边界：它只用了治疗分配之前的信息。而很多试验在随机化之后还会收集一堆疗效终点，除了主要终点，还有各种生物标记物。这些次要终点往往刻画的是同一个疾病过程、同一个临床构念或者同一条治疗反应通路，按理说应该含有跟主要终点治疗效果相关的信息。比如烟草监管试验，主要终点可能是戒烟情况，同时还测了尼古丁和毒物暴露的生物标记物；癌症试验评估无进展生存期，同时反复测循环肿瘤DNA来跟踪肿瘤负荷变化。这些数据就躺在那里，传统的协变量调整却对它们视而不见。
那能不能把次要终点也拉进来一起用？理论上有几个现成的思路，但都不太完美。全局检验方法（比如O'Brien的排序方法）可以合并多个终点的证据，但没法估计特定终点上的治疗效果；复合终点和层级终点能提升把握度，但重新定义了估计目标，解释起来绕来绕去；还有些方法用次要终点来促进从外部数据源的适应性借用，但那是跨亚组或跨来源的借用，不是直接拿次要终点来提升主要终点效应的估计精度。
本论文的作者之前提出过一个框架，用一个单因子结构方程模型（SEM）联合建模主要终点和次要终点，用模型平均来缓解模型误设带来的偏差，在无协变量调整的场景下已经能带来可观的效率提升。但这个框架有个明显的短板：它没有纳入基线协变量，也就没有回答那个关键问题——次要终点带来的信息增益，在基线协变量已经被纳入模型之后，还能不能继续贡献价值？
结构方程模型：让次要终点“说话”的新框架 这项工作的核心是把协变量调整和终点借用两条路线合并成一条。具体来说，作者扩展了之前提出的单因子结构方程模型，在保留主要终点平均处理效应（ATE）作为估计目标的前提下，把基线协变量纳入模型。
这个模型的思路可以这样理解：假设存在一个潜在的共同因子η，治疗通过影响这个因子来影响所有终点。拿戒烟试验打个比方，这个因子就是“吸烟和尼古丁产品使用行为的强度”，治疗让这个潜在强度下降了，于是戒烟概率上升、各种暴露生物标记物也跟着下降。每个终点对这个因子的依赖程度不同，由因子载荷λ决定。基线协变量则直接进入每个终点的线性预测子，不需要通过这个共同因子起作用。这样做的一个好处是：协变量效应可以随终点不同而不同，不像处理效应那样被限制为必须遵循共同模式。
模型中的每个终点可以有自己的分布族和连接函数，高斯终点用恒等连接，二值终点用probit或logit连接，计数终点用log连接。在给定潜在因子和协变量的条件下，各终点被假设为条件独立。对每个观测的似然贡献需要把潜在因子积分掉，一般用高斯-埃尔米特求积来近似。如果所有终点都是高斯的，似然有闭式解：终点向量服从多元正态分布，均值由协变量、处理效应和因子载荷共同决定，协方差矩阵是“对角残差方差加因子载荷外积”的结构。
这个模型有一个比较强的隐含约束：处理效应向量和残差协方差结构必须跟同一个因子载荷向量兼容。换句话说，两个正相关的终点不能有方向相反的处理效应，两个负相关的终点也不能有方向相同的处理效应。这种约束既是信息借用的来源，也是模型误设风险的来源。
拿到模型参数估计之后，主要终点的ATE通过标准化公式来计算：先把给定处理组和协变量条件下的条件均值对潜在因子积分掉（这一步叫因子边缘化），然后对经验协变量分布取平均。如果主要终点用恒等连接，ATE就简化成处理对因子的效应乘以主要终点的因子载荷。参数估计用最大似然，然后用代入原则得到ATE估计。
模型平均：效率与稳健性的实用折中 结构方程模型在设定正确时很有吸引力，但“如果模型设定错误呢”？毕竟现实中数据的真实生成机制几乎不可能是恰好一个单因子模型。处理效应和残差协方差之间的兼容性约束非常强，一旦违反，SEM估计就会产生偏倚、MSE膨胀、覆盖率下降。
为了在效率与稳健性之间取得平衡，论文采用了跨验证模型平均
这个设计的逻辑很清楚：当SEM设定正确时，交叉验证会把更多权重分给SEM估计器，好让效率增益用上；当SEM误设时，交叉验证会把权重转移到更稳健的传统估计器上，让偏差带来的伤害尽量小。换句话说，这相当于让数据自己来判断“该信SEM多少”。
模拟验证：从理想到现实的全面检验 论文用三个模拟实验来系统评估所提方法的表现，每个场景模拟250名参与者随机等分到两个治疗组。模拟1评估在模型设定正确的情况下，随着基线预后信息和残差次要终点信息的变化，效率和把握度能提升多少。模拟2考察SEM误设时的表现，包括全局备择假设（2a）、主要终点无效但次要终点有效（2b）以及二值主要终点（2c）。模拟3考察全局零假设下（所有终点都无效）的表现。
模拟设计里有两个关键指标值得注意：一个是R1|X2，衡量基线协变量能解释的主要终点变异比例；另一个是R1|-1,X2，衡量在调整了治疗和协变量之后，次要终点残差还能解释多少主要终点残差变异。后者刻画的是协变量调整之后次要终点还能贡献的“增量信息”。
需要注意的细节是，模拟2b中，主要终点没有效应而次要终点有效应，意味着数据生成时主要终点残差与次要终点残差的相关性被消除了，这与SEM的兼容性条件在R1|-1,X2=0时恰好一致。模拟2c用二值主要终点，数据通过潜变量阈值化生成，这个场景更贴近实际临床试验中常见的分类终点。
*表格超出部分左右可以滑动
Table 1: Summary of the simulation design.
表1：模拟设计概要。R1|X2是条件于治疗时基线协变量解释的主要终点方差比例；R1|-1,X2是调整治疗和基线协变量后次要终点残差解释的主要终点残差方差比例；星号表示在二值主要终点的潜高斯尺度上定义；ρ12是条件相关。
临床试验效率提升的双重困境
随机对照试验（RCT）是临床评价的金标准，但它的"贵族病"众所周知：烧钱、耗时、招募困难。就算主要分析能勉强凑够检验效能，到了亚组分析、期中分析或者罕见结局面前，信息量照样捉襟见肘；罕见病试验更是连主要终点都常常"喂不饱"。如何在样本量不变的前提下挤出更多统计效率，一直是生物统计学的核心课题。
过去几十年，学界发展出了两条互补的提效路线。第一条路是基线协变量调整
第二条路是终点借用
宾夕法尼亚大学和明尼苏达大学这篇论文，正是要回答这个问题。作者把协变量调整和终点借用拧成一股绳，提出一个既能保住主要终点平均处理效应（ATE）作为估计目标、又能同时吸收两类信息的新框架。
结构方程模型：让次要终点"说话"的新框架 先解释一下结构方程模型（Structural Equation Model，SEM）是什么。简单说，SEM是一类用潜变量来解释一堆观测变量之间协方差结构的统计模型。这篇论文用的是一因子SEM：假设所有终点（主要终点加次要终点）共享一个潜因子η，治疗A先作用于这个因子，再由这个因子去影响每一个终点。拿烟草试验打比方，那个潜因子就是"吸烟和尼古丁产品使用行为强度"，治疗让这个强度下降，于是戒烟率上升、尼古丁暴露标记物也跟着下降——所有终点朝一个方向被拉动。
在论文的模型中，潜变量部分设定为：η | A ~ N(γA, 1)，即治疗使潜因子均值平移γ个单位。每个终点在给定潜因子和协变量的条件下服从自己的参数分布族——高斯终点用恒等连接，二值终点用probit或logit连接，计数终点用log连接。基线协变量X直接进入每个终点的线性预测子，不需要通过潜因子。这个设计有个隐性好处：协变量效应可以随终点不同而不同，不像处理效应那样被限制为必须遵循共同模式。
给定潜因子和协变量后，各终点条件独立，观测数据的似然贡献需要对潜因子积分。论文的模型设定可以写成下面的形式：
潜变量模型：治疗A使共同因子η的均值发生γ的平移，方差固定为1。
每个终点的条件均值通过连接函数与协变量、因子载荷和潜因子关联起来。ν_p是截距，K_p是协变量系数，λ_p是第p个终点的因子载荷。
这里有个关键点值得划重点：模型内置了一个很强的兼容性约束——处理效应向量和终点残差协方差结构必须同时由同一个因子载荷向量λ生成。换句话说，如果两个终点正相关，它们的处理效应方向必须相同；如果两个终点负相关，处理效应方向必须相反。这条约束既是信息借用的动力源泉，也是模型误设风险的命门。
模型的参数通过最大似然估计，ATE则通过标准化公式计算——先把给定处理组和协变量下的条件均值对潜因子积分掉（因子边缘化），再对经验协变量分布取平均。如果主要终点用恒等连接，ATE最终简化为γ乘以λ₁。整个估计流程可以总结为：先拟合SEM得到参数估计，再对每个个体的两个处理组条件均值做差分，最后取样本平均。
模型平均：效率与稳健性的实用折中 如果真实数据生成机制恰好就是单因子模型，SEM估计器自然是很香的。但现实世界很少这么听话——一旦处理效应与协方差结构的兼容性被违反，SEM估计就会立刻产生偏倚、均方误差（MSE）膨胀、置信区间覆盖率下滑。怎么办？论文给出的药方是跨验证模型平均
候选估计器库里放着两类估计器：一类是协变量调整的SEM估计器（文中记作SEM-X），另一类是常规的协变量调整估计器——连续终点用ANCOVA，二值终点用probit回归加标准化。模型平均的权重选择是"让数据自己投票"：构造R个治疗分层的交叉验证方案，每个方案把样本分成J折；对每一折，用训练集拟合各候选估计器，在验证集上用一个设计一致的参考估计器（比如未调整的均值差或ANCOVA）来评估它们的ATE预测误差；最后最小化所有折上的加权平方误差来选出权重。
简单说，就是让候选估计器在验证折上的预测尽量靠近一个"老实人"参考估计器。SEM正确时它能拿到高权重，SEM误设时权重自动滑向稳健估计器。最后，整个权重选择流程在bootstrap重样本里完整重复，从而得到方差估计和置信区间。
模拟验证：从理想到现实的全面检验 纸上谈兵不算数，模拟实验才是检验统计方法的试金石。论文设计了三个模拟实验，覆盖模型正确设定、模型误设和全局零假设三种情形，每个场景模拟250名参与者随机等分到两个治疗组。表1给出了模拟设计的概貌。
表1：模拟设计概要。表格给出了每个模拟实验的终点类型、处理效应设定、变化特征和目的。
模拟设计中有两个关键指标需要理解。第一个是R₁|X²，表示基线协变量能够解释的主要终点变异比例；第二个是R₁|-1,X²，表示在调整治疗和协变量之后，次要终点的残差还能解释多少主要终点残差变异——这个指标刻画的正是协变量调整之后次要终点的"增量情报价值"。
R₁|X²的定义：条件于治疗时，基线协变量解释的主要终点方差比例。
R₁|-1,X²的定义：调整治疗和基线协变量后，次要终点残差解释的主要终点残差方差比例。
模拟1在模型正确设定的情况下考察效率上限。结果很干净：SEM-X在每一个设定下都比单独协变量调整更高效，哪怕次要终点的残差信息很弱；模型平均则夹在两者之间——效率上输给SEM-X，但赢过ANCOVA。图1展示了各估计器相对未调整估计器的效率曲线。
图1：模型正确设定下，SEM-X、模型平均和协变量调整估计器相对未调整估计器的效率。可以看到SEM-X持续领先，模型平均居中。
模拟2是"刁难"环节。2a在所有终点均有效应的备择假设下引入误设；2b让主要终点无效而次要终点有效，这是最危险的场景；2c把主要终点换成二值终点，考验模型在非高斯终点下的表现。三种误设场景的结果有一致规律：在SEM兼容点上，SEM-X大幅降低MSE且覆盖率接近名义水平；一旦偏离兼容点，偏倚和覆盖率问题立刻浮现。模型平均的作用在于显著缓冲这些伤害，把权重从SEM-X转移到ANCOVA上，但严重误设下覆盖率仍不完美。
图2(c)：模拟2b（主要终点无效、次要终点有效）中SEM-X和模型平均相对协变量调整估计器的MSE。虚线标记SEM兼容点。
图2(d)：模拟2b的95%置信区间覆盖率。可以看到SEM-X在远离兼容点时覆盖率大幅下滑，模型平均明显改善但仍有缺口。
模拟3在全局零假设（所有终点都无效）下表现出一个反直觉的结果：即使残差协方差结构并不完全兼容因子模型，SEM-X和模型平均仍然几乎无偏且比ANCOVA更高效。原因是全局零假设下γ=0，兼容性约束的伤害被大幅削弱——这从侧面说明，模型误设的伤害主要集中在"有效应但效应方向与协方差结构不匹配"的场景。
烟草监管试验：21%精度提升的实证 方法再好，也得拉到真实数据里溜溜。论文用了一个极低尼古丁含量（VLNC）卷烟的随机试验数据来分析。背景是，美国FDA提出要限制卷烟尼古丁含量，但是当替代尼古丁产品（比如电子烟）可得时，降低卷烟尼古丁含量到底能不能促进戒烟，这事儿直接影响政策效果。试验中438名参与者在虚拟市场里可以用积分兑换替代尼古丁产品以及VLNC或正常尼古丁含量（NNC）卷烟，主要终点是随机化12周后的时点戒烟率——虽然这原本是次要终点，但它才是政策最关心的。
除了戒烟与否，试验还测了四种生物标记物：CEMA（2-氰乙基巯基尿酸，燃卷烟近期暴露的尿标记物）、呼气一氧化碳（CO，极近期燃烟暴露）、NNAL（烟草特有亚硝胺的长期暴露标记物）和TNE（总尼古丁当量，跨燃烟与非燃烟产品的总尼古丁摄入）。论文的假设是：干预通过"吸烟和尼古丁产品使用行为强度"这个潜因子同时影响这些标记物和戒烟行为——单因子SEM提供了一个合理的近似。
分析上有个细致的操作：把四个生物标记物两两配对，得到六个不同的SEM-X估计器，和协变量调整的probit估计器一起放进模型平均库。这么干既利用了更多次要终点信息，又避免把所有终点硬塞进一个模型导致误设风险失控。最终结果如图3所示。
图3：VLNC对12周时点戒烟率的影响估计。实心点为论文的主要比较估计器，空心点为模型平均库中的各SEM-X估计器，右侧权重列显示了它们在模型平均中的最终权重。
结果显示，模型平均估计显示VLNC组的12周时点戒烟率比NNC组高约4个百分点。更重要的是精度指标：模型平均估计的方差比未调整估计小了21%，比单纯协变量调整估计小了13%——这13%就是次要终点在协变量调整之外实打实"挤"出来的增量信息。在样本量固定的临床试验里，这意味着等效于多了约四分之一的样本，或者可以把试验样本量缩小相应的比例而保持同样的检验效能。
何时该用终点借用？——适用边界与展望 这套方法是不是所有临床试验都能无脑上？显然不是。论文自己也给出了几个边界条件。第一，至少需要三个终点（一个主要终点加至少两个次要终点）才能识别因子模型，只有两个终点玩不转。第二，处理效应方向与终点间相关方向的兼容性是模型的命门——如果两个正相关终点被药物往相反方向拉，SEM框架直接崩溃。第三，终点需要刻画同一潜在构念或同一反应通路，如果次要终点是"各说各话"的无关指标，因子模型就成了空中楼阁。
从实操角度看，模型平均是一个负责任的默认选择：在理想条件下收获效率，在误设时兜底。但论文也坦然承认，在严重误设下覆盖率依旧不够理想——这说明模型平均是"实用妥协"而不是"万能灵药"。考虑到FDA等监管机构已经越来越强调协变量调整需预先规定并证明合理性，终点借用的方法要在确证性试验中落地，还需要更充分的预先规定策略和敏感性分析框架。
未来这个框架还有不少延展空间：比如把时间维度纳入潜因子结构以处理重复测量的纵向次要终点；在贝叶斯框架里引入先验约束来提升小样本稳定性；或者把单因子放宽为多因子结构，让不同终点簇共享不同的潜因子。论文的贡献更像一块基石——把协变量调整和终点借用这两条路线连通了，后续的扩展空间很大。
龙迷三问 这篇论文到底在解决什么问题？ 本文提出结合协变量调整与次要终点借力的结构方程建模框架，通过模型平均权衡效率与稳健性，在烟草监管试验中实现21%的精度提升。这篇工作最值得看的点是什么？ 模拟研究中，在正确模型设定下SEM-X在所有场景下均优于Adj；模型平均在错误设定下显著降低偏差与覆盖率损失。真实数据应用中，模型平均估计比未调整估计精度提高21%，比仅协变量调整提高13%。这篇工作的边界或风险在哪里？ 优点：将协变量调整与次要终点信息借用有机结合，在正确设定下显著提升效率；模型平均提供效率与稳健性的实用折中；可处理混合类型终点（高斯、二元、计数）。缺点：SEM对模型错误设定敏感，严重错误设定下模型平均仍无法完全消除偏差；需要至少3个终点才能识别因子模型；对协变量效应与终点间相关结构有较强假设。如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆
将协变量调整与基于单因子结构方程模型的次要终点信息借用相结合，通过交叉验证模型平均在效率与稳健性之间取得平衡，以提升随机试验中主要终点平均处理效应的估计精度。实验合理度： ★★★★☆
偏差、方差、均方误差、95%置信区间覆盖率、检验拒绝率（功效或I类错误率）学术研究价值： ★★★★☆
将协变量调整与基于单因子结构方程模型的次要终点信息借用相结合，通过交叉验证模型平均在效率与稳健性之间取得平衡，以提升随机试验中主要终点平均处理效应的估计精度；更关键的是问题定义是否可复用到同类任务。稳定性： ★★★☆☆
现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。适应性以及泛化能力： ★★★☆☆
现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。硬件需求及成本： ★★★☆☆
不适用（统计方法，无深度学习计算量）复现难度： ★★★☆☆
现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。产品化成熟度： ★★★☆☆
论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。可能的问题： SEM对模型错误设定敏感，严重错误设定下模型平均仍无法完全消除偏差；需要至少3个终点才能识别因子模型；对协变量效应与终点间相关结构有较强假设。
*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
